DOI: https://doi.org/10.1038/s41598-025-04164-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40593899
تاريخ النشر: 2025-07-01
المؤلف: A. R. Sathyabama وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
تقدم ورقة البحث إطار عمل جديد يدمج الشبكات العصبية العميقة (DNNs) مع تقنية البلوكشين (DNNs-BCT) لتعزيز اكتشاف ومنع الشذوذ في بيئات إنترنت الأشياء (IoT). نظرًا لزيادة مخاطر الأمن السيبراني المرتبطة بأجهزة إنترنت الأشياء، فإن الآليات الأمنية التقليدية غالبًا ما تكون غير كافية بسبب عدم قدرتها على إدارة تدفقات البيانات الكبيرة والتهديدات المتطورة. يستخدم الإطار المقترح الشبكات العصبية العميقة لاكتشاف الشذوذ الذكي، محققًا دقة اكتشاف تبلغ 99.18% ومعدل إيجابيات كاذبة منخفض يبلغ 15.42%. هذا النموذج التعليمي التكيفي يحسن باستمرار قدراته في الاكتشاف ضد التهديدات مثل هجمات حجب الخدمة الموزعة (DDoS) وحقن البرمجيات الضارة.
من خلال دمج تقنية البلوكشين، يضمن الإطار سلامة البيانات والأمان اللامركزي من خلال تسجيل أنشطة أجهزة إنترنت الأشياء على شبكة بلوكشين خاصة. هذا النهج يقلل من المخاطر المرتبطة بتلاعب البيانات والوصول غير المصرح به، بينما يستخدم العقود الذكية للاستجابة التلقائية للتهديدات، مما يعزز كفاءة وقت الاستجابة إلى 95.25%. تستنتج الدراسة أن التآزر بين اكتشاف الشذوذ القائم على DNNs وتقنية البلوكشين يتفوق بشكل كبير على الطرق الأمنية التقليدية من حيث الدقة والسرعة وقابلية التوسع. ستركز الأبحاث المستقبلية على تطوير هياكل DNN خفيفة الوزن مناسبة لأجهزة إنترنت الأشياء ذات الموارد المحدودة واستكشاف تقنيات التعلم الفيدرالي والتشفير المقاوم للكمبيوتر لتعزيز أمان إنترنت الأشياء ومرونتها ضد التهديدات الناشئة.
نقاش
يسلط النقاش الضوء على الحاجة الملحة لإطار تقييم متقدم في اكتشاف الشذوذ في إنترنت الأشياء والأمن السيبراني، مع معالجة قيود الطرق الحالية، مثل ارتفاع معدلات الإيجابيات الكاذبة والضعف أمام الهجمات العدائية. تشكل الهياكل الأمنية المركزية الحالية مخاطر بسبب نقاط الفشل الفردية، بينما تكافح أنظمة كشف التسلل (IDS) القائمة على التعلم الآلي التقليدي مع تعقيدات حركة مرور إنترنت الأشياء عالية الأبعاد. يجمع نموذج DNNs-BCT المقترح بين التعلم العميق وتقنيات اختيار الميزات المحسّنة وبلوكشين مرخص خفيف الوزن لتعزيز دقة التصنيف، وتقليل الإيجابيات الكاذبة، وضمان سلامة البيانات.
تنشأ دوافع هذا البحث من النمو الأسي لأجهزة إنترنت الأشياء، والتي تقدم تحديات أمنية كبيرة بسبب طبيعتها الموزعة وقدراتها المحدودة في المعالجة. الحلول الأمنية التقليدية غير كافية لاكتشاف الشذوذ في الوقت الحقيقي، مما يؤدي إلى زيادة مخاطر خروقات البيانات والوصول غير المصرح به. من خلال دمج تقنية البلوكشين مع الشبكات العصبية العميقة (DNNs)، يهدف نموذج DNNs-BCT إلى توفير اكتشاف شذوذ ذكي وتخفيف تلقائي للتهديدات، مما يحسن أمان إنترنت الأشياء. لا يعزز هذا النهج قدرات المعالجة في الوقت الحقيقي فحسب، بل يقلل أيضًا من الحمل الحاسوبي، مما يجعله مناسبًا للنشر في بيئات إنترنت الأشياء ذات الموارد المحدودة. توضح الورقة المنهجية والنتائج في الأقسام التالية، مع التأكيد على فعالية DNNs-BCT في معالجة تحديات الأمن السيبراني المعاصرة.
DOI: https://doi.org/10.1038/s41598-025-04164-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40593899
Publication Date: 2025-07-01
Author(s): A. R. Sathyabama et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The research paper presents a novel framework that integrates Deep Neural Networks (DNNs) with Blockchain technology (DNNs-BCT) to enhance anomaly detection and prevention in Internet of Things (IoT) environments. Given the increasing cybersecurity risks associated with IoT devices, traditional security mechanisms are often inadequate due to their inability to manage large data flows and evolving threats. The proposed framework utilizes DNNs for intelligent anomaly detection, achieving a detection accuracy of 99.18% and a low false-positive rate of 15.42%. This adaptive learning model continuously improves its detection capabilities against threats such as Distributed Denial of Service (DDoS) attacks and malware injections.
Incorporating Blockchain technology, the framework ensures data integrity and decentralized security by logging IoT device activities onto a private blockchain network. This approach mitigates risks associated with data tampering and unauthorized access while employing smart contracts for automated threat responses, enhancing reaction time efficiency to 95.25%. The study concludes that the synergy between DNN-based anomaly detection and Blockchain technology significantly outperforms traditional security methods in terms of accuracy, speed, and scalability. Future research will focus on developing lightweight DNN architectures suitable for resource-constrained IoT devices and exploring federated learning and quantum-resistant cryptographic techniques to further enhance IoT security and resilience against emerging threats.
Discussion
The discussion highlights the urgent need for an advanced evaluation framework in IoT anomaly detection and cybersecurity, addressing the limitations of existing methods, such as high false positive rates and vulnerability to adversarial attacks. Current centralized security architectures pose risks due to single points of failure, while traditional machine learning-based intrusion detection systems (IDS) struggle with the complexities of high-dimensional IoT traffic. The proposed DNNs-BCT model combines deep learning with optimized feature selection techniques and a lightweight permissioned blockchain to enhance classification accuracy, reduce false positives, and ensure data integrity.
The motivation for this research stems from the exponential growth of IoT devices, which presents significant security challenges due to their distributed nature and limited processing capabilities. Conventional security solutions are inadequate for real-time anomaly detection, leading to increased risks of data breaches and unauthorized access. By integrating blockchain technology with deep neural networks (DNNs), the DNNs-BCT model aims to provide intelligent anomaly detection and automated threat mitigation, thereby improving IoT security. This approach not only enhances real-time processing capabilities but also minimizes computational overhead, making it suitable for deployment in resource-constrained IoT environments. The paper outlines the methodology and results in subsequent sections, emphasizing the effectiveness of DNNs-BCT in addressing contemporary cybersecurity challenges.