یک سامانه نرم‌افزاری برای شبیه‌سازی مقیاس‌‌پذیر انتشار بدافزار‌ها در شبکه‌های رایانه ای

امروزه، وجود روش ها و ابزارهای مدل‌سازی پدیده‌های انتشاری همه‌گیر، یک نیاز جدی و پراهمیت است. شناخت این پدیده‌ها و کشف راه حل‌های راهبردی در موقعیت‌های گوناگون بسیار اهمیت دارد. به دلیل تعداد بالای عامل‌ها و رفتار پیچیده‌ آن‌ها، امکان درک و توصیف آن‌ها به شکل نظری بسیار سخت و یا غیرممکن است. بنابراین، جایگاه شبیه‌سازی رفتار این پدیده‌ها بسیار حائر اهمیت است. لذا توسعه یک محیط شبیه‌سازی که بتواند این نیاز را تا حدی برطرف کند اهمیت بالایی دارد و می‌تواند در قسمت‌ها و حوزه‌های مختلف به‌کار گرفته شود. در این مقاله یک سامانه نرم‌افزاری برای شبیه‌سازی رایانه‌ای پدیده های انتشاری، به ویژه انتشار بدافزارها در شبکه‌های رایانه‌ای، معرفی شده است. این سامانه‌ توانایی این را دارد که تعداد بالایی از عامل‌ها را با مدل‌های انتشاری و پارامترهای مختلف، شبیه‌سازی کرده و نتایج گرافیکی و آماری آن ‌را به شکل پویا نشان دهد. معماری توزیع‌شده، استفاده از داده‌های واقعی، امکان استفاده از انواع مدل‌های انتشاری و تصویر‌سازی پویای نتایج شبیه‌سازی از جمله نوآوری‌های طرح پیشنهادی است. با انجام شبیه‌سازی‌های مختلف با استفاده از این سامانه، رابطه بین چگالی آلودگی عامل‌ها در طول زمان با پارامترهای شبیه‌سازی بررسی و استخراج شده است. مدل انتشاری، احتمال آلودگی، احتمال وجود آسیب‌پذیری از جمله این پارامترها است. همچنین در پایان، درستی نتایج حاصل از شبیه‌سازی با مقایسه نتایج حاصل از مدل‌های تحلیلی مورد بررسی قرار گرفته است.

A Software System for LargeScale Simulation of Malware Propagation in Computer Networks

Today, the presence of methods and tools for largescale modeling of different types of epidemic        phenomena is a serious and critical requirement. Understanding these phenomena and discovering        strategic solutions in various situations is also very important. Regarding the large number of agents and their complicated behaviors and lack of theoretical and analytical solutions, the need for simulation systems is so clear. In this paper, we introduce a software system for simulation of epidemic phenomena, especially   malware propagation in computer networks. This software system is able to simulate a large number of agents with different propagation models and parameters and show the graphical and statistical results dynamically. Distributed architecture, using realworld data, ability to use different kinds of epidemic   models and dynamic visualization of simulation results, are some of the innovations of the proposed     method. By performing different simulations, the relationships between infection density and simulation parameters such as the propagation model, the infection probability and the probability of vulnerability, were investigated over time. Additionally, the correctness of the simulation results is confirmed by         comparing them to the results obtained from analytical methods.