Esquema de detección y prevención de ataques potenciado por IA para el sistema de red inteligente
Autores: Kumari, Aparna; Patel, Rushil Kaushikkumar; Sukharamwala, Urvi Chintukumar; Tanwar, Sudeep; Raboaca, Maria Simona; Saad, Aldosary; Tolba, Amr
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Esquema de detección y prevención de ataques potenciado por IA para el sistema de red inteligente
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Infraestructura de red existente
Red inteligente ciberfísica
Vulnerabilidades
Ciberataques
Esquema de IA-ADP
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
La infraestructura de red existente ya ha comenzado a transformarse en el sistema de red inteligente (SG) de próxima generación ciberfísico. Esta transformación ha mejorado la confiabilidad y eficiencia de la red, pero ha expuesto vulnerabilidades graves debido al crecimiento de ciberataques y amenazas. Por ejemplo, actores maliciosos podrían manipular lecturas del sistema, parámetros y precios de energía e infiltrarse para obtener acceso directo a los datos. Varios trabajos existen para abordar los problemas mencionados, pero no han sido completamente explorados. En consecuencia, este documento propone un esquema AI-ADP para el sistema SG, que es un mecanismo de detección y prevención de ataques basado en inteligencia artificial (AI) utilizando un sistema recomendador impulsado por criptografía para garantizar la seguridad e integridad de los datos. El esquema AI-ADP propuesto se divide en dos fases: (i) detección de ataques y (ii) prevención de ataques. Empleamos el mecanismo de extreme gradient-boosting (XGBoost) para la detección y clasificación de ataques. Es una nueva metodología de aprendizaje de conjunto que ofrece muchas ventajas sobre métodos similares, incluidas características incorporadas, etc. Luego, se utiliza SHA-512 para asegurar la comunicación que emplea un rendimiento más rápido, permitiendo la transmisión de más datos con el mismo nivel de seguridad. El rendimiento del esquema AI-ADP propuesto se evalúa en función de varios parámetros, como la precisión en la detección de ataques, ciclos utilizados por byte y ciclos totales utilizados. El esquema AI-ADP propuesto superó a los enfoques existentes y obtuvo una precisión del 99.12%, que es relativamente alta en comparación con los métodos preexistentes.
Descripción
La infraestructura de red existente ya ha comenzado a transformarse en el sistema de red inteligente (SG) de próxima generación ciberfísico. Esta transformación ha mejorado la confiabilidad y eficiencia de la red, pero ha expuesto vulnerabilidades graves debido al crecimiento de ciberataques y amenazas. Por ejemplo, actores maliciosos podrían manipular lecturas del sistema, parámetros y precios de energía e infiltrarse para obtener acceso directo a los datos. Varios trabajos existen para abordar los problemas mencionados, pero no han sido completamente explorados. En consecuencia, este documento propone un esquema AI-ADP para el sistema SG, que es un mecanismo de detección y prevención de ataques basado en inteligencia artificial (AI) utilizando un sistema recomendador impulsado por criptografía para garantizar la seguridad e integridad de los datos. El esquema AI-ADP propuesto se divide en dos fases: (i) detección de ataques y (ii) prevención de ataques. Empleamos el mecanismo de extreme gradient-boosting (XGBoost) para la detección y clasificación de ataques. Es una nueva metodología de aprendizaje de conjunto que ofrece muchas ventajas sobre métodos similares, incluidas características incorporadas, etc. Luego, se utiliza SHA-512 para asegurar la comunicación que emplea un rendimiento más rápido, permitiendo la transmisión de más datos con el mismo nivel de seguridad. El rendimiento del esquema AI-ADP propuesto se evalúa en función de varios parámetros, como la precisión en la detección de ataques, ciclos utilizados por byte y ciclos totales utilizados. El esquema AI-ADP propuesto superó a los enfoques existentes y obtuvo una precisión del 99.12%, que es relativamente alta en comparación con los métodos preexistentes.