[论文解读] DLACB: Deep Learning Based Access Control Using Blockchain

Asma Jodeiri Akbarfam, Sina Barazandeh+2 more|arXiv (Cornell University)|Mar 26, 2023

Blockchain Technology Applications and Security被引用 5

一句话总结

本文提出了一种名为 DLACB 的新型区块链集成访问控制框架，该框架利用深度学习动态根据用户行为模式确定权限，从而提升安全性和透明度。通过在区块链上不可篡改地认证用户并记录访问请求，该系统在所有测试场景中均以高精度有效检测恶意行为。

ABSTRACT

In general, deep learning models use to make informed decisions immensely. Developed models are mainly based on centralized servers, which face several issues, including transparency, traceability, reliability, security, and privacy. In this research, we identify a research gap in a distributed nature-based access control that can solve those issues. The innovative technology blockchain could fill this gap and provide a robust solution. Blockchain's immutable and distributed nature designs a useful framework in various domains such as medicine, finance, and government, which can also provide access control as opposed to centralized methods that rely on trusted third parties to access the resources. In existing frameworks, a traditional access control approach is developed using blockchain, which depends on predefined policies and permissions that are not reliable. In this research, we propose DLACB: Deep Learning Based Access Control Using Blockchain, which utilizes a deep learning access control mechanism to determine a user's permissions on a given resource. This proposed framework authenticates the users and logs the access requests on the blockchain to recognize malicious users. The results show that this proposed framework operates correctly for all possible scenarios.

研究动机与目标

• 解决集中式深度学习模型存在的透明度不足、可追溯性差和安全性低等局限性。
• 克服传统基于区块链的访问控制系统僵化的问题，这些系统依赖静态策略和预定义权限。
• 开发一种基于行为的动态访问控制机制，利用深度学习根据用户行为自适应调整权限。
• 通过与区块链技术集成，确保访问日志的可审计性和不可篡改性。
• 通过结合行为分析与分布式账本日志，提供一种稳健的恶意用户检测解决方案。

提出的方法

• 采用深度学习模型分析用户访问模式，并动态推断适当的权限。
• 将深度学习推理引擎与权限分配模块集成，将行为评分映射为访问权限。
• 使用许可型区块链以不可篡改且带时间戳的方式存储所有访问请求和认证事件。
• 实施共识机制，以在分布式节点间验证并记录访问事务。
• 设计用户身份认证层，在做出访问决策前将身份与行为嵌入向量绑定。
• 将所有访问尝试记录在区块链上，以支持取证分析和异常或恶意行为的检测。

实验结果

研究问题

• RQ1 如何有效将深度学习与区块链集成，以构建动态且安全的访问控制系统？
• RQ2 基于行为的访问控制模型是否能在检测恶意访问尝试方面优于静态策略驱动的系统？
• RQ3 使用区块链在多大程度上提升了深度学习驱动访问决策的透明度和可审计性？
• RQ4 所提出的框架如何处理边缘情况，并确保在所有可能的访问场景中均保持正确性？
• RQ5 将行为分析与不可篡改的日志记录相结合，对系统的整体韧性与可信度有何影响？

主要发现

• DLACB 框架成功利用深度学习模型为所有测试用户行为确定了适当的访问权限。
• 所有访问请求均安全地记录在区块链上，实现了用户行为的完整可追溯性和可审计性。
• 系统通过行为异常检测有效识别并标记了恶意访问尝试。
• 深度学习与区块链的集成确保了访问控制决策既具备自适应性又可验证。
• 该框架在所有可能的访问场景中均能正确运行，表现出强大的鲁棒性和可靠性。
• 在区块链上使用不可篡改日志显著增强了系统完整性，并支持事后取证分析。