تشخیص حملات هوشمند در شبکه های نرم افزاری با استفاده از یادگیری ماشین

مقاله حاضر به بررسی آسیب پذیری شبکه های نرم افزار تعریف شده (SDN) در برابر حملات توزیع شده سرویس (DDoS) می پردازد. با توجه به ویژگی های برنامه پذیر SDN، مهاجمان می توانند از سطوح مختلف این شبکه ها برای اجرای حملات DDoS، به ویژه حملات با نرخ پایین (LR-DDoS)، سوءاستفاده کنند. ابتدا معماری SDN و نقاط آسیب پذیر آن تحلیل می شود و سپس انواع مختلف حملات DDoS و روش های دفاعی متناسب با هر نوع حمله طبقه بندی می شوند. این تحقیق به شناسایی چالش های امنیتی موجود در SDN و ارائه راهکارهایی برای مقابله موثر با حملات DDoS می پردازد. همچنین، یک سیستم تشخیص نفوذ (IDS) جدید بر پایه الگوریتم های یادگیری ماشین پیشنهاد می شود که از یک الگوریتم انتخاب ویژگی ترکیبی برای کاهش ابعاد داده و بهبود دقت تشخیص استفاده می کند. نتایج ارزیابی نشان می دهد که سیستم پیشنهادی عملکرد بسیار خوبی در تشخیص حملات دارد و نسبت به روش های سنتی برتری قابل توجهی دارد. همچنین، یک سیستم تشخیص ترافیک غیرطبیعی مبتنی بر مدل ترکیبی یادگیری عمیق پیشنهاد می شود که دقت، صحت و فراخوانی تشخیص را به طور قابل توجهی بهبود می بخشد. در نهایت، مجموعه داده ای به نام HLD-DDoSDN معرفی می شود که شامل حملات DDoS شایع و نوسانات ترافیک است و از نظر اندازه و تنوع ویژگی ها، الزامات یک مجموعه داده معیار را برآورده می کند.

کلیدواژه ها:

حمله DDoS ، یادگیری عمیق ، تشخیص ترافیک غیر طبیعی ، سیستم تشخیص نفوذ ، شبکه های نرم افزار تعریف شده