27661

مدل‌سازي عامل مبناي انتشار بدافزار در شبكه‌هاي اجتماعي و ارائه راهبرد دفاع مبتني بر مفهوم كشف جامعه و شاخص‌هاي مركزيت

كارشناسي ارشد

مهندسي كامپيوتر نرم افزار

1397

1401/08/30

دكتر محمد عبداللهي ازگمي

مهندسي كامپيوتر

انتشار بدافزار در شبكه‌هاي با مقياس بزرگ مانند شبكه‌هاي اجتماعي و امن‌سازي اين نوع شبكه‌ها در مقابل حملات ناشناخته و يا كمتر شناخته شده چالشي است كه امروزه با آن بيشتر مواجه هستيم. اين تحقيق روش پيشنهادي بر اساس تشخيص جوامع در ساختار همبندي شبكه در دسته‌بندي تراكم‌هاي جمعيت موجود در شبكه مي‌پردازد تا با استفاده از مفهوم شاخص‌هاي مركزيت ابتدا از همبندي شبكه موجود گره‌هاي پر اهميت را كشف كرده و سپس در بين جوامع كشف شده گره‌هاي پراهميت داخلي انتخاب شود. مصون‌سازي گره‌هاي پراهميت در داخل و بين جوامع مي‌تواند در جلوگيري از انتشار بدافزار در ساختار شبكه موثر باشد. مدل‌سازي پيشنهادي يك روش اپيدميك بر اساس روند SEIS است كه در آن هر گره ابتدا مظنون به آلودگي است و سپس در معرض آلودگي قرار خواهد گرفت و سپس آلوده خواهد شد. در ادامه احتمال دارد يك گره به وضعيت مستعد خرابي برگردد يا كلاً بميرد. هدف اصلي از انتخاب اين روش به دليل عدم شناخت نوع بدافزار و بازيابي از حالت شكست در حين آلودگي به بدافزار است. به طور كلي اين نوع مدل‌سازي براي زماني كه روش بازيابي مشخصي براي دستگاه آلوده وجود ندارد بسيار موثر خواهد بود. از طرف ديگر شاخص‌هاي مركزيت خود از لحاظ كشف گره پر اهميت به رويكردهاي مختلفي تقسيم مي‌شوند. در اين تحقيق بيشتر تلاش بر اين است تا تاثير سه شاخص مركزيت بردار ويژه و شاخص بينابيني و مركزيت درجه بررسي خواهند شد. آزمايش‌هاي انجام شده نشان مي‌دهد كه روش لووين كارايي بهتري نسبت به ساير روش‌هاي تشخيص جامعه داشته است به اندازه ميانگين 13 درصد كاهش در تعداد گره‌هاي آلوده دارد و شاخص مركزيت بردار ويژه در ساختارهاي بررسي شده كارايي بالايي از خود نشان مي‌دهد و سرعت انتشار بد افزار را در همان ابتداي كار در 2 درصد از جامعه ثابت نگه داشته است و ميزان انتشار آلودگي در بين گره‌هاي شبكه را كاهش مي‌دهد. واژه‌هاي كليدي: مدل‌سازي مبتني بر عامل، روش‌هاي اپيدميك، شاخص‌هاي مركزيت، روش تشخيص جامعه، شبكه‌هاي اجتماعي، مصون‌سازي.

1401/10/13

Agent-based modeling of malware propagation in social networks and proposing defense strategy based on community detection and centrality index concept

11/21/2023 12:00:00 AM

Malware propagation on large-scale networks such as social networks and immunization these types of networks against unknown or lesser-known attacks is a challenge we face today. In this research, a method based on the community detection method in the topological structure of the network classifies the population densities in the network and then, using the concept of centrality index. Centrality indicators will first discover important nodes from the existing network topology. These nodes show their importance in the overall network structure, and then important internal nodes will be selected from among the discovered communities. Immunization of important nodes within and between communities can effectively prevent malware propagation in the network structur. Agent-based modeling proposed for this work is a SEIS-based epidemiological method in which each node is first suspected of being infected and then exposed to infection and then infected. Then a node may return to a state suspected or die altogether. The main purpose of choosing this method is not to know the type of malware and recover from failure during malware infection. In general, this type of modeling will be very effective when there is no specific recovery method for the infected device. On the other hand, the indicators of their centrality are divided into different approaches to discover important nodes. This research will examine the effect of the three indices of eigenvector centrality and the betweenness index and degree centrality. Experiments show that the Louvain method has a better performance than other community detection methods, and the eigenvector centrality index in the studied structures shows high efficiency and reduces the level of infection of network nodes.

مدل‌سازي مبتني بر عامل , روش‌هاي اپيدميك , شاخص‌هاي مركزيت , روش تشخيص جامعه , شبكه‌هاي اجتماعي , مصون‌سازي

Agent-based modeling , Epidemic Methods , Centrality Indicators , Community Detection method , Social Networks , Immunization

Manoochehr sahandi

Dr. Mohammad Abdollahi Azgomi