چارچوب چندلایه برای شناسایی و کاهش حملات DDoS با استفاده از یادگیری ماشین برای شبکه های IoT مبتنی بر SDN

ماهیت ناهمگون و عدم وجود استانداردهای یکپارچه در اینترنت اشیا (IoT)، آسیب پذیری ها و نگرانی های امنیتی، به ویژه در برابر حملات گسترده منع سرویس توزیع شده (DDoS)، را تشدید کرده است. ظهور شبکه نرم افزار محور (SDN) با کاهش بار محاسباتی گره های IoT، فرصتی برای پیاده سازی سازوکارهای امنیتی قوی تر فراهم آورده است.این مقاله، یک چارچوب چهار - ماژولی مبتنی بر SDN به نام FMDADM را برای تشخیص کارآمد و کاهش حملات DDoS در شبکه های IoT پیشنهاد می دهد. معماری پنج - لایه FMDADM شامل یک ماژول تشخیص زودهنگام است که با استفاده از اصل نرخ افت متوسط (ADR) بر اساس یک پنجره ۳۲ بسته ای، شروع حمله را تشخیص می دهد. این ماژول همچنین از تابع نگاشت بررسی مضاعف (DCMF) برای تسریع تشخیص در سطح صفحه داده بهره می برد. در قلب این چارچوب، ماژول تشخیص مبتنی بر یادگیری ماشین (ML) قرار دارد که با استفاده از هفت ویژگی کلیدی (شامل دو ویژگی منتخب و پنج ویژگی محاسبه شده جدید) و از طریق چهار گام پیش پردازش، استخراج ویژگی، آموزش/تست و طبقه بندی، حملات DDoS را به دقت شناسایی می کند.

کلیدواژه ها:

اینترنت اشیا ، حملات منع سرویس توزیع شده ، شبکه نرم افزار محور ، یادگیری ماشین ، کاهش