doi: 10.17586/2226-1494-2017-17-3-450-456


ВЫЯВЛЕНИЕ АНОМАЛИЙ В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ СИСТЕМЫ «УМНЫЙ ДОМ»

Настека А.В., Канев А.Н., Бессонова Е.Е.


Язык статьи - русский

Ссылка для цитирования: Настека А.В., Канев А.Н., Бессонова Е.Е. Выявление аномалий в беспроводных сенсорных сетях системы «Умный дом» // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т. 17. № 3. С. 450–456. doi: 10.17586/2226-1494-2017-17-3-450-456

Аннотация

Предмет исследования.Рассмотрена проблема выявления аномалий в системах домашней автоматизации «Умный дом». Определены особенности существующих охранных сетей, а также необходимость выявления информационного и физического воздействия на датчики в целях обеспечения информационной безопасности. Метод. Для выявления аномалий предложено использование искусственной нейронной сети. Метод предполагает обработку данных о характеристиках устройств охранной сети для определения аномального поведения. Искусственная нейронная сеть предварительно обучается на выборке таких данных. В работе представлено описание средств для практической реализации предложенного метода. Основные результаты. Для проведения эксперимента создан сценарий, по которому модель системы «Умный дом» передает данные об информационных потоках в сети, а искусственная нейронная сеть выносит решения на основе предоставленных данных. Таким образом, для тестирования созданы обучающая и тестовая выборки. Аномалией считалось состояние, для которого результат работы искусственной нейронной сети составлял величину не менее 0,9. По результатам тестирования искусственной нейронной сетью выносилось решение о принадлежности текущего состояния узла сети к аномальному или обычному состоянию с точностью 91%. Практическая значимость. Предложенный метод может быть использован при разработке информационных и охранных систем, для которых выдвигается требование мониторинга отдельных подключенных устройств. Технология выявления аномалий исключает возможность незаметного нарушения конфиденциальности и целостности передаваемой информации.


Ключевые слова: информационная безопасность, автоматизация помещений, устройства автоматизации, искусственная нейронная сеть

Благодарности. Авторы благодарят кафедру безопасных информационных технологий Университета ИТМО за поддержку и финансирование данного исследования.

Список литературы
1.     Настека А.В., Бессонова Е.Е. Аутентификация устройств автоматизации в системе «Умный дом» // Вестник полиции. 2015. Т. 4. С. 68–74. doi: 10.13187/vesp.2015.4.68
2.     Mafrur R., Khusumanegara P., Bang G.H., Lee D.K., Nugraha I.G.D., Choi D. Developing and evaluating mobile sensing for smart home control // International Journal of Smart Home. 2015. V. 9. N 3. P. 215–230. doi: 10.14257/ijsh.2015.9.3.20
3.     Бессонова Е.Е., Ефремов А.А., Настека А.В.и др. Анализ защищенности систем «Умный дом» // Материалы конференции Региональная информатика «РИ-2014». Санкт-Петербург, 2014.
4.     Pang Y., Jia S. Wireless smart home system based on Zigbee // International Journal of Smart Home. 2016. V. 10. N 4. P. 209–220. doi: 10.14257/ijsh.2016.10.4.19
5.     Belaidouni S., Miraoui M., Tadj C. Towards an efficient smart space architecture // International Journal of Advanced Studies in Computer Science and Engineering. 2016. V. 5. N 1. P. 18–27.
6.     Barcena M.B., Wueest C. Insecurity in the Internet of Things. Symantec, Report 21349619. 2015.
7.     Стариковский А.В., Жуков И.Ю., Михайлов Д.М. и др. Исследование уязвимостей систем умного дома // Спецтехника и связь. 2012. №2. С. 55–57.
8.     Jurdak R., Wang X.R., Obst O., Valencia P. Wireless sensor network anomalies: diagnosis and detection strategies // Intelligence-Based Systems Engineering. 2011. V. 10. P. 309–325. doi: 10.1007/978-3-642-17931-0_12
9.     Pachauria G., Sharma S. Anomaly detection in medical wireless sensor networks using machine learning algorithms // Procedia Computer Science. 2015. V. 70. P. 325–333. doi: 10.1016/j.procs.2015.10.026
10.  Son S.-Y. Home electricity consumption monitoring enhancement using smart device status information // International Journal of Smart Home. 2015. V 9. N 10. P. 189–196. doi: 10.14257/ijsh.2015.9.10.21
11.  Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
12.  User Manual OMNeT++ version 4.6 [Электронныйресурс]. URL: https://omnetpp.org/doc/omnetpp/manual/usman.html.
13.  Маннинг К.Д., Рагхаван П., Шютце Х. Введение в информационный поиск. М.: Вильямс, 2011. 528 с.
14.  Bhattacharyya D.K., Kalita J.K. Network Anomaly Detection. A Machine Learning Perspective. CRC Press, 2014. 364 p.
15.  Balagani K.S. K-Means+ID3 and Dependence Tree Methods for Supervised Anomaly Detection. PhD, Louisiana Tech University, 2008. 98 p.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика