SDLA: نموذج التحليلات الجنائية الشرعية الرقمية للتحليل المباشر المتزامن واللامركزي لبيئات إنترنت الأشياء الطرفية

الباحث

كرم محمد مهدي صالح

المشرف

نجلاء بديع إبراهيم خليل

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / علوم الحاسوب

الشهادة

دكتوراه

السنة

2024

لغة الرسالة

انكليزي

الكلمات المفتاحية

Digital Forensics ; Live Analysis ; Edge IoT ; Decentralized Model

تعد الأدلة الجنائية الشرعية الرقمية مجال دراسي بالغ الأهمية حيث يبحث عن الأدلة الرقمية ويحللها للعثور على الجرائم الإلكترونية وإيقافها. ويتضمن الفحص المنهجي للأجهزة والشبكات والمعلومات الرقمية من أجل تحديد الأدلة وحفظها وتحليلها لاستخدامها في المحكمة. من أجل تحسين دقة وأداء وموثوقية تحليلات الأدلة الجنائية الشرعية الرقمية، يدمج نموذج الأدلة الجنائية الشرعية الرقمية التقنيات والمنهجيات المتقدمة في إطار منظم يوجه عملية التحقيق ويسرعها. حيث يتم تصميم هذه النماذج لتلبية المتطلبات المتطورة في البيئات الرقمية الحديثة، مثل تعقيد أجهزة إنترنت الأشياء الطرفية ومتطلبات الأساليب اللامركزية التي تحافظ على الخصوصية لجمع الأدلة وتحليلها. مع التركيز على أجهزة إنترنت الأشياء (191)، تسعى هذه الأطروحة إلى إنشاء وتطبيق نموذج جديد الأدلة الجنائية الشرعية الرقمية يسمى نموذج التحليل المباشر المتزامن واللامركزني Gilly (SDLA) يتميز بخصائصه اللامركزية، والمتزامنة، وتعامله مع البيانات الغير المتجانسة، والحفاظ على الخصوصية، والوثوقية. تشمل الأهداف الأساسية تحقيق اللامركزية في مهام المعالجة المحلية والتواصل من نظير إلى نظيرء وإنشاء بروتوكولات اتصال في الوقت الفعلي لتحليل الأجهزة المتزامنة، وإنشاء هيكليات شبكة عصبية يمكنها إدارة البيانات غير المتجانسة، واستخدام تقنيات التعلم الموحد للحفاظ على الخصوصية؛ وتمكين المعالجة المتوازية القابلة للتطوير. cling الثقة من خلال التحكم في الوصول وكذلك تقنية -blockchain يتم إظهار مساهمات نموذج SDLA من خلال التحسينات في ALY الجنائية الشرعية الرقمية ل Edge loT والتحليل المعزز لبيانات مستشعر إنترنت الأشياء، والحفاظ بشكل قوي على الأدلة. تم تطوير مجموعة بيانات محسنة لإنترنت الأشياء للتعلم الموحد غير المتطابق. بالإضافة إلى ذلك، تم إنشاء بيئة إنترنت الأشياء الواقعية لجمع البيانات في الوقت الفعلي، مما يعكس سيناريوهات إنترنت الأشياء الحقيقية من خلال استخدام 55532. وهذا يجعل من السهل الحصول على بيانات حقيقية في الوقت الحقيقي لتحليل ALY! الجنائية الشرعية الرقمية. علاوة على ذلكء يقدم نموذج Lalas CNN—Autocoder مثيرًا للاهتمام في تصنيف سيناريوهات الهجوم في بيئات التعلم الموحدة غير المتطابقة. باستخدام بنيات التشفير التلقائي والشبكات العصبية التلافيفية ،(CNNs) يعمل هذا النموذج على تحسين كفاءة ودقة التعرف على أنواع الهجمات الإلكترونية المختلفة وتصنيفها في مجموعات بيانات إنترنت الأشياء غير المتجانسة. وعلى هذا الأساس، يقدم مقترح نظام FedForensic بنيات خوارزمية التعلم العميق RNN) و/1-511) وتقنيات الأدلة الجنائية الشرعية الرقمية المصممة لتحليل الأدلة الرقمية والإبلاغ عنها بكفاءة من أجهزة إنترنت الأشياء الحافة. يقوم هذا النظام بتحليل الحزم باستخدام أدوات الأدلة الجنائية الرقمية، وجمع المعلوماتء ثم إنشاء تقارير مناسبة تلقائيًا للإجراءات القانونية وتسريع عملية التحليل من خلال توفير رؤى حول التهديدات والانتهاكات السيبرانية المحتملة. بالإضافة إلى ذلك؛ يلبي تطوير خوارزمية Alpha-FedAvg الحاجة إلى استراتيجيات تعلم موحدة قابلة للتكيف في بيئات إنترنت الأشياء المتطورة من خلال ضمان تغير توزيع البيانات وظروف الشبكة في الوقت الفعلي. وأخيرّاء يعمل تطبيق نظام CustodyChainGuardian على تعزيز مصداقية وموثوقية التحقيقات الجنائية في بيئات إنترنت الأشياء المتطورة من خلال استخدام تقنية 07 وينية متعددة الطبقات للتخزين والإدارة الآمنة لضمان سلامة ALY) الرقمية وإمكانية تتبعها طوال عملية التحقيق الجنائي. تم إثبات فعالية وكفاءة نموذج SDLA عبر مجموعة من النماذج وتكوينات النظام من خلال الاختبار والتحقق من الصحة؛ مما يوفر Ma شاملا لتحقيقات الطب الشرعي الرقمي في بيئات إنترنت الأشياء المتطورة. يعمل نموذج AlphaFed-Avg المستند إلى RNN بشكل جيد في النظام الفرعي ،FedForensic loT مما يدل على قدرته على التكيف مع أربع مجموعات بيانات من Edge-lloTset بدقة تبلغ 093.05؟. يتم زبادة الأداء إلى %99.84 عند استخدام بنية LLSTM ويحافظ النموذج على دقة تبلغ 9097.45 حتى مع البيانات في الوقت الفعلي للبيئة الجديدة، مما يدل على قدرته على التكيف مع المواقف المتغيرة. بالإضافة إلى ،lls يساهم نموذج (CNN—Autocoder بدقة تصل إلى 7692.6، في مجموعة متنوعة من تصنيف الهجمات في التحليل الجنائي لإنترنت الأشياء. في نظام ،eal CCG يُظهر بروتوكول Gail أقل تكلفة نهائية بين بروتوكولات الإيثريوم مما يسلط الضوء على العواقب المالية. بالإضافة إلى ذلك، من خلال دمج الثبات والشفافية والثقة والخصوصية؛ يضمن نموذج CCG الخاص بنا المتانة.

A critical field of study called digital forensics looks for and analyzes digital evidence to find and stop cybercrimes. It involves the systematic examination of digital devices, networks, and information in order to locate, save, and analyze evidence for use in court. In order to improve the accuracy, performance, and reliability of forensic analyses, a digital forensics model integrates advanced technologies and methodologies into an organized framework that directs and speeds up the process of investigation. These models are designed to meet the evolving requirements in modern digital environments. With an emphasis on edge Internet of Things (IoT) devices, this thesis seeks to create and apply a new digital forensic model called Synchronous and Decentralized Live Analysis (SDLA) digital forensic model, which is distinguished by its Decentralized, Synchronous, Heterogeneous, Privacy-Preserving, Scalable, and Trusted features. The primary objectives include Decentralizing tasks for local processing and peer-to-peer communication, creating real-time communication protocols for synchronized device analysis, creating neural network architectures that can manage heterogeneous data, utilizing federated learning techniques to preserve privacy, enabling scalable parallel processing, and establishing trust through access control and blockchain technology. The main works done by SDLA model are demonstrated through improvements in Edge IoT digital forensics, enhanced analysis of IoT sensor data, and robust evidence preservation. An Improved Edge IoT dataset for non-identical federated learning with 4 datasets is developed. In addition, a realistic IoT environment is created for real-time data collection, mirroring real edge IoT scenarios through hardware deployment represented by ESP32. This makes it easier to obtain real-time, authentic data for forensic analysis. Furthermore, the CNN- Autocoder model offers an interesting system in the classification of attack scenarios in non-identical federated learning environments. Using autoencoder architectures and convolutional neural networks (CNNs), this model improves the efficiency and accuracy of recognizing and classifying various cyberattack types in heterogeneous Internet of Things datasets. Growing on this basis, the FedForensic system proposal presents deep learning algorithm architectures (RNN and LSTM) and forensic techniques designed to efficiently analyze and report digital evidence from edge IoT devices. This model analyzes packets using digital forensics tools, collect the information, then generates reports automatically suitable for legal proceedings and speeds up the analysis process by providing insights into possible cyber threats and breaches. Additionally, the Alpha-FedAvg algorithm's development meets the need for adaptable federated learning strategies in edge IoT environments by guaranteeing that data distributions and network conditions change in real-time. Lastly, the CustodyChainGuardian (CCG) system's implementation strengthens the trustworthiness and reliability of forensic investigations in edge IoT environments by utilizing blockchain technology and a multi-layered architecture for secure storage and management to guarantee the integrity and traceability of digital evidence throughout the forensic process. The effectiveness and efficiency of the SDLA model are proven across a range of models and system configurations through testing and validation, providing a comprehensive solution for digital forensic investigations in edge IoT environments. RNN-based AlphaFed-Avg model performs well in the FedForensic IoT subsystem, demonstrating its adaptability with four datasets from Edge-IIoTset with an accuracy of 93.05%. Performance is increased to 99.84% when LSTM architecture is used. The model maintains 97.45% accuracy even with new environment's real-time data, demonstrating its capacity to adapt to changing situations. Additionally, the CNN-Autocoder model, with an accuracy of 92.6%, contributes to the diverse range of attacks classification in IoT forensics. In the CCG subsystem, the London protocol shows the lowest ultimate cost among Ethereum protocols highlighting the financial consequences. Additionally, by incorporating immutability, transparency, trust, and privacy, our CCG model guarantees robustness.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب