یک سامانه تشخیص نفوذ برای شبکه‌های حس گر بی ‌سیم بدن

شبکه‌های‌ حس گر بی ‌سیم به دلیل کاربردهای متنوعی که دارند همواره مورد توجه قرارگرفته‌اند. در تقسیم‌بندی شبکه‌های حسگر بی‌سیم، شبکه‌های حسگر بی‌سیم بدن به دلیل کاربردهای حساس پزشکی از اهمیت ویژه‌ای برخوردارند. هرگونه حمله به شبکه‌های حسگر بی‌سیم بدن می‌تواند خسارت‌های جانی جبران‌ناپذیری برای بیمار به همراه داشته باشد. یکی از روش‌های تامین امنیت استفاده از سیستم‌های تشخیص نفوذ به‌عنوان یک دفاع خط دوم می‌باشد. در این مقاله یک سیستم تشخیص نفوذ مبتنی بر ناهنجاری با استفاده از روش‌های ترکیبی ارائه‌شده است. در سیستم تشخیص نفوذ پیشنهادی ابتدا با استفاده از الگوریتم ژنتیک ویژگی‌هایی از داده‌های جمع‌آوری‌شده انتخاب می‌شوند که موجب به دست آمدن بالاترین نرخ تشخیص شوند. سپس با استفاده از روش‌های ماشین بردار پشتیبان و k نزدیک‌ترین همسایه طبقه‌بندی داده‌ها به‌منظور کشف ترافیک ناهنجار از ترافیک داده‌های نرمال انجام می‌شود. نتایج شبیه‌سازی برای حمله جلوگیری از سرویس نشان می‌دهد که استفاده از سیستم پیشنهادی با استفاده از روش طبقه‌بندی k نزدیک‌ترین همسایه می‌تواند بازده ای معادل 90% داشته باشد.

an intrusion detection system for wireless body area networks

wireless body area network (wban) is a pioneer trend in healthcare technology. since any cyber-attack on a wban could jeopardize the patient’s health, securing the wban plays a crucial role in healthcare applications. an intrusion detection system (ids), as a second-line defense, is one of the security methods in computer networks. in this paper, a new ids has been presented which is able to detect denial of service (dos) attacks in a wban. in the proposed ids, a genetic algorithm is used to select features of collected data, in a way that increases the performance of the ids and as a result the wban. then, using support vector machine and k nearest neighbor techniques, the data classification is performed to detect dos traffic from regular data traffic. simulation results indicate that the proposed ids has effective performance with a 90% detection rate.