خوشه بندی شبکه های نرم افزار محور SDN با تشخیص نفوذ چندگانه برای بهبود امنیت آن

امروزه نوع جدیدی از معماری شبک های بنام شبکه های مبتنی بر نرم افزار SDN به عنوان نیاز اساسی کاربران به شمار می رود. که در آن تمامی تجهیزات شبکه تحت مدیریت، کنترل و هدایت یک یا چند سرور مرکزی می باشد. برای تامین امنیت و تشخیص ناهنجاری ها و کنترل جریان ترافیک در این شبکه ها می توان از سیستم های تشخیص نفوذ چندگانه Multiple Intrusion Detection Systems که دارای چندین سیستم تشخیص نفوذ جداگانه است استفاده کرد. این سیستم ها با ارتباط و همکاری یکدیگر ناهنجاری های ترافیک را تشخیص داده و می توانند آنرا مدیریت کنند. برای تشخیص این ناهنجاری ها، حجم ترافیک مورد پردازش بین این سیستم ها به نحوی تقسیم، خوشه بندی و مدیریت می شوند در این سیستم ها از روش های مختلفی مانند روش های آماری، داده کاوی و غیره استفادهمی شود. شبکه های عصبی، درخت تصمیم، رده بندی مبتنی بر قانون از روش های داده کاوی به شمار می رود که به منظور بهبود عملکرد این سیستم ها و رفع محدودیت های روش آماری براساس قواعد استفاده شده است. که ما در این مقاله به منظور بهبود عملکرد سیستم های تشخیص نفوذ در تشخیص حملات، از روش مبتنی بر داده کاوی و در ادامه برای تشخیص حملات و جداکردن آنها ، از شبکه عصبی استفاده کردهای م تا در ابتدا حملات تشخیص داده شده ، سپس مجموعه عملکرد آنها در طی یک حمله در یک گراف رسم می شود. مجموعه داده مورد استفاده در این مقاله KDD۹۹ و شبکه عصبی مورد استفاده از نوع پیشخور می باشد که الگوریتم یادگیری آن Back Propagation است . مجموعه داده KDD۹۹ دارای پنج کلاس Normal, Dos, Probe, R۲L و U۲L است. برای آموزش شبکه عصبی و تشخیص حمله از ۱۰ نرون در لایه مخفی استفاده شده است، که ورودی آن شامل دنباله هایی از عملکرد می باشد. نتایج نشان می دهد که در الگوریتم پیشنهادی هر چقدر ضریب Target نزدیک عدد ۱ باشد نشان دهنده خوب بودن آموزش می باشد، و با پیشرفت آموزش شبکه عصبی و تصحیح وز نها خطا کاهش و دقت افزایش می یابد .

کلیدواژه ها:

سیستم تشخیص نفوذ ، داده کاوی ، شبکه عصبی ، مجموعه داده KDD۹۹ ، یادگیری عمیق