پیش بینی خطای شبکه های مبتنی بر نرم افزار با استفاده از یادگیری عمیق

با رشد سریع شبکه های کامپیوتری و افزایش پیچیدگی زیرساخت های ارتباطی، پیش بینی و مدیریت پیشگیرانه خطاها به یک ضرورت اساسی در تضمین پایداری و کارایی شبکه ها تبدیل شده است. شبکه های مبتنی بر نرم افزار (SDN) با ارائه کنترل متمرکز و انعطاف پذیر، راهکارهای نوینی برای مدیریت شبکه فراهم کرده اند، اما همچنان در معرض خطاها و ناهنجاری های عملیاتی قرار دارند. در این پژوهش، یک مدل پیش بینی خطا مبتنی بر یادگیری عمیق طراحی و پیاده سازی شده است که با تحلیل داده های حجیم شبکه و شناسایی الگوهای پیچیده، قادر به پیش بینی لحظه ای خرابی ها و ارائه اقدامات پیشگیرانه می باشد. برای این منظور از ترکیبی از معماری های شبکه عصبی پیچشی (CNN)، شبکه عصبی بازگشتی (RNN) و حافظه طولانی-کوتاه مدت (LSTM) بهره گرفته شد. داده های مورد استفاده از مجموعه داده های معتبر از جمله CICIDS۲۰۱۷، CICIDS۲۰۱۸، NSL-KDD و مجموعه داده های ویژه SDN استخراج و پس از پیش پردازش، به مدل ها آموزش داده شدند. نتایج آزمایش ها نشان داد که مدل پیشنهادی از نظر دقت، حساسیت و نرخ شناسایی خطا نسبت به روش های سنتی برتری قابل توجهی دارد و می تواند به عنوان ابزاری کارآمد برای ارتقاء قابلیت اطمینان شبکه های مبتنی بر نرم افزار در مقیاس بزرگ به کار رود.