تهدیدهای استگانوگرافی در رایانش ابری: تحلیل و پیامدهای امنیتی

1. مقدمه

رایانش ابری نمایانگر یک تغییر پارادایم در محاسبات است که دسترسی بر‌اساس‌تقاضا به منابع مشترک را با حداقل تلاش مدیریتی ارائه می‌دهد. مؤسسه ملی استاندارد و فناوری (NIST) آن را به‌عنوان مدلی تعریف می‌کند که دسترسی فراگیر شبکه‌ای به مخزن مشترکی از منابع محاسباتی پیکربندی‌پذیر را ممکن می‌سازد. ویژگی‌های کلیدی شامل سرویس‌دهی خودکار بر‌اساس‌تقاضا، دسترسی گسترده شبکه‌ای، تجمیع منابع، کشسانی سریع و سرویس اندازه‌گیری‌شده است. سه مدل سرویس اصلی عبارتند از: نرم‌افزار به‌عنوان سرویس (SaaS)، پلتفرم به‌عنوان سرویس (PaaS) و زیرساخت به‌عنوان سرویس (IaaS).

2. امنیت رایانش ابری

معماری منحصربه‌فرد رایانش ابری، چالش‌های نوینی در حوزه امنیت، حریم خصوصی و اعتماد ایجاد می‌کند که با مدل‌های محاسباتی سنتی متفاوت است.

3. استگانوگرافی در رایانش ابری

استگانوگرافی، هنر پنهان‌سازی اطلاعات درون حامل‌های بی‌آزار، یک بردار تهدید قدرتمند در محیط ابر ارائه می‌دهد. می‌توان از آن برای استخراج مخفیانه داده‌ها، فعال‌سازی حملات شبکه یا تسهیل ارتباط پنهانی بین طرف‌های مخرب استفاده کرد. حامل ایده‌آل، محبوب است (استفاده از آن غیرعادی نیست) و تغییر آن برای جاسازی پیام استگانوگرافی برای اشخاص ثالث ناآگاه غیرقابل تشخیص است.

4. بینش و تحلیل محوری

5. جزئیات فنی و مدل‌های ریاضی

اثربخشی یک تکنیک استگانوگرافی اغلب با غیرقابل تشخیص بودن و ظرفیت آن اندازه‌گیری می‌شود. یک مدل رایج برای تحلیل امنیت یک سیستم استگانوگرافی $S$ که یک پیام $M$ را در یک پوشش $C$ جاسازی می‌کند تا یک شیء استگانو $S$ تولید کند، بر اساس واگرایی کولبک-لایبلر ($D_{KL}$) بین توزیع‌های احتمالی اشیاء پوشش ($P_C$) و استگانو ($P_S$) است.

$D_{KL}(P_S || P_C) = \sum_{x} P_S(x) \log \frac{P_S(x)}{P_C(x)}$

برای امنیت کامل (به‌طور نظری)، $D_{KL}(P_S || P_C) = 0$، به این معنی که شیء استگانو از نظر آماری از پوشش غیرقابل تشخیص است. در محیط‌های ابری، پوشش $C$ می‌تواند زمان بین ورود بسته‌های شبکه بین ماشین‌های مجازی، اندازه بلوک‌های ذخیره‌سازی تخصیص‌یافته پویا یا الگوی استفاده CPU یک کانتینر باشد. هدف مهاجم به حداقل رساندن این واگرایی در حین جاسازی اطلاعات است.

متریک کلیدی دیگر، نرخ یا ظرفیت جاسازی $\alpha$ است که اغلب نسبت به اندازه پوشش تعریف می‌شود: $\alpha = \frac{|M|}{|C|}$، که در آن $|M|$ طول پیام پنهان و $|C|$ اندازه یا بعد محیط حامل است.

6. چارچوب تحلیل و نمونه موردی

سناریو: استخراج داده داخلی به خارجی از طریق کانال‌های زمان‌بندی شبکه.

کاربرد چارچوب:

1. شناسایی حامل: ترافیک HTTPS عادی و مجاز از یک ماشین مجازی شرکتی در ابر به یک وب‌سایت خارجی بی‌آزار (مانند یک سایت خبری).
2. کانال مخفی: زمان‌بندی بین بسته‌های درخواست HTTPS متوالی مدوله می‌شود. یک فاصله کمی کوتاه‌تر نشان‌دهنده باینری '0' و یک فاصله کمی طولانی‌تر نشان‌دهنده باینری '1' است. تفاوت‌ها در محدوده نویز معمول شبکه قرار دارند.
3. گیرنده: سرور وب خارجی، که توسط مهاجم کنترل می‌شود، زمان‌های ورود بسته‌ها را ثبت می‌کند. یک فرآیند همکار، توالی زمان‌بندی را رمزگشایی می‌کند تا داده‌های استخراج‌شده (مانند اعتبارنامه‌های سرقت‌شده) را بازسازی کند.
4. چالش تشخیص: فایروال‌های استاندارد و سیستم‌های تشخیص نفوذ (IDS) که محتوای بسته‌ها را بررسی می‌کنند، چیزی مخرب پیدا نمی‌کنند. تحلیل جریان ممکن است حجم عادی ترافیک به یک سایت قانونی را نشان دهد.

راهبرد کاهش در چارچوب: یک ابزار امنیت ابری که منطق این مقاله را پیاده‌سازی می‌کند، فقط به مقصد و حجم نگاه نمی‌کند. یک پروفایل رفتاری برای ماشین مجازی ایجاد می‌کند، شامل توزیع‌های زمان‌بندی ترافیک معمول آن. سپس از آزمون‌های آماری (مانند آزمون کولموگوروف-اسمیرنوف) استفاده می‌کند تا بررسی کند آیا توالی زمان‌بندی مشاهده‌شده این جریان خاص به‌طور قابل توجهی از خط پایه تاریخی خود ماشین مجازی یا از خط پایه ماشین‌های مجازی مشابه در مخزن انحراف دارد یا خیر، و ناهنجاری‌ها را برای بررسی عمیق‌تر پرچم‌گذاری می‌کند.

7. کاربردها و جهت‌های آینده

تقاطع استگانوگرافی و رایانش ابری، تحت تأثیر فناوری‌های نوظهور، در آستانه تکامل قابل توجهی است:

• رایانش بدون سرور (FaaS): ماهیت زودگذر و رویداد-محور توابع بدون سرور می‌تواند برای ایجاد کانال‌های مخفی بسیار موقت و ردیابی‌ناپذیر با استفاده از زمان‌بندی فراخوانی تابع یا تأخیرهای راه‌اندازی سرد به عنوان حامل مورد سوءاستفاده قرار گیرد.
• استگانوگرافی و استگانالیز مبتنی بر هوش مصنوعی/یادگیری ماشین: شبکه‌های مولد تقابلی (GANs)، مانند آنچه در مقاله CycleGAN ("Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks") توصیف شده، می‌توانند تطبیق داده شوند. یک شبکه یاد می‌گیرد داده‌ها را در ردپای عملیات ابری پنهان کند، در حالی که رقیب آن سعی در تشخیص آن دارد که منجر به تکنیک‌های پنهان‌سازی به‌طور فزاینده‌ای مقاوم می‌شود. در مقابل، مدل‌های یادگیری عمیق برای تشخیص این روش‌های پیشرفته ضروری خواهند بود.
• رایانش ابری کوانتومی: توسعه ابرهای کوانتومی می‌تواند پروتکل‌های استگانوگرافی کوانتومی را معرفی کند که اطلاعات را در حالت‌های کوانتومی منابع ابری مشترک پنهان می‌کنند و چالشی اساساً جدید ارائه می‌دهند.
• همه‌چیز نرم‌افزار-محور (SDx): قابلیت برنامه‌نویسی شبکه‌های نرم‌افزار-محور (SDN)، ذخیره‌سازی و زیرساخت در ابر می‌تواند برای ایجاد کانال‌های مخفی درون پیام‌های صفحه کنترل یا به‌روزرسانی‌های پیکربندی مورد سوءاستفاده قرار گیرد.
• تمرکز بر مقررات و انطباق: مقررات آینده (مانند تکامل‌های در حال تغییر GDPR یا قوانین خاص بخش) ممکن است ارائه‌دهندگان ابر را ملزم کنند که قابلیت‌های خود را برای تشخیص و جلوگیری از استخراج مخفیانه داده نشان دهند و این را به یک الزام انطباقی تبدیل کنند.

دفاع به احتمال زیاد از تشخیص محض به سمت محیط‌های اجرای مورد اعتماد (TEEs) مانند Intel SGX یا AMD SEV و استفاده از معماری‌های عدم اعتماد صفر که نقض را فرض می‌کنند و تمام ارتباطات را بدون در نظر گرفتن مبدأ به‌طور دقیق تأیید می‌کنند، تغییر خواهد کرد.

8. مراجع

1. Mell, P., & Grance, T. (2011). The NIST Definition of Cloud Computing. National Institute of Standards and Technology.
2. Cloud Security Alliance. (2011). Security Guidance for Critical Areas of Focus in Cloud Computing V3.0.
3. Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV).
4. Fridrich, J., & Kodovsky, J. (2012). Rich Models for Steganalysis of Digital Images. IEEE Transactions on Information Forensics and Security.
5. Wang, Z., & Bovik, A. C. (2009). Mean squared error: Love it or leave it? A new look at Signal Fidelity Measures. IEEE Signal Processing Magazine.
6. Anderson, R., & Petitcolas, F. A. P. (1998). On the limits of steganography. IEEE Journal of Selected Areas in Communications.
7. Subramanian, N., & Jeyaraj, A. (2018). Recent security challenges in cloud computing. Computers & Electrical Engineering.