ارایه روشی مبتنی بر شبکه های عصبی عمیق ترکیبی برای افزایش ایمنی در شبکه های فراترازنسل پنجم ((B۵G

شبکه های B۵G نسل بعدی فناوری ارتباطات بی سیم بوده که پس از استاندارد فعلی ۵G عرضه شده اند. این شبکه ها به دنبال ارتقاء و بهبود عملکرد و ویژگی هایی که در شبکه ۵G وجود دارند، هستند. ایمنی وبررسی حملات کامپیوتری دراین شبکه ها بسیاراهمیت دارد. برای افزایش ایمنی دراین شبکه ها، یک مدل یادگیری ماشین ترکیبی که دو شبکه عصبی عمیق (DNN) را با ساختارهای مختلف ترکیب کرده و یک طبقه بند برای دسته بندی صحیح حملات مختلف DDoS ارایه می دهد را دراین پژوهش ، پیشنهاد داده ایم . دراین مدل، از الگوریتم ضریب همبستگی پیرسون (PCC) برای انتخاب ویژگی های مهم ، پیش بینی دقیق کلاسها وطبقه بندی آنها استفاده شده است . این طبقه بندی کننده قادر به پیش بینی انواع حملات و همچنین ترافیک عادی شبکه می باشد. هدف این کار بهبود دقت پیش بینی مدل است . دراین روش، طبقه بندی کننده شبکه عصبی عمیق (DNN) چند کلاسه پیشنهادی ، تشخیص DDoS را فراتر از صرف تشخیص ناهنجاری به یک الگوی عمیق تر می برد که در آن نوع حمله (های ) مواجه شده با حداقل میزان هشدار کاذب شناسایی می شوند. بر اساس نتایج حاصل از شبیه سازی و آزمایش با استفاده از مجموعه داده CICDDoS۲۰۱۹، این چارچوب موفق به دستیابی به دقت تشخیصی ۸۳/۹۹ درصدی بدون هیچ گونه خطا شده است .این چارچوب پیشرفته تشخیص حمله ، با هدف تضمین یک گذار ایمن از شبکه های ۵G به شبکه های B۵Gو حفظ امنیت آنها ، توسعه داده شده است .

کلیدواژه ها:

شبکه های عصبی عمیق ، شبکه های B۵G ، حملات DdoS ، یادگیری ماشین