بهینه سازی تشخیص نفوذ در شبکه های نرم افزارمحور با استفاده از مدل ترکیبی شبکه عصبی کانولوشنی و LSTM

شبکه های نرم افزارمحور به عنوان یکی از معماری های نوین شبکه، با هدف افزایش انعطاف پذیری، مدیریت پذیری و برنامه پذیری زیرساخت های ارتباطی توسعه یافته اند. در این معماری، جداسازی صفحه کنترل از صفحه داده، امکان اعمال سیاست های هوشمند و مدیریت متمرکز را فراهم می سازد. با وجود این مزایا، تمرکز در لایه کنترل و پویایی بالای جریان های شبکه، چالش های امنیتی جدیدی را نیز به همراه داشته است. یکی از مهم ترین این چالش ها، تشخیص دقیق و سریع نفوذ در محیط SDN است؛ زیرا هرگونه اختلال یا حمله به کنترل کننده می تواند عملکرد کل شبکه را تحت تاثیر قرار دهد. در این مقاله، یک مدل ترکیبی مبتنی بر شبکه عصبی کانولوشنی و شبکه حافظه بلندمدت کوتاه مدت برای بهینه سازی تشخیص نفوذ در شبکه های نرم افزارمحور ارائه می شود. در روش پیشنهادی، ابتدا داده های ترافیک شبکه پیش پردازش، پاک سازی، نرمال سازی و کدگذاری می شوند. سپس شبکه CNN برای استخراج ویژگی های محلی و ساختاری از داده های ترافیکی به کار گرفته می شود و خروجی آن به شبکه LSTM منتقل می گردد تا وابستگی های زمانی و الگوهای رفتاری توالی جریان ها تحلیل شود. در نهایت، خروجی مدل از طریق لایه های کاملا متصل و تابع طبقه بندی مناسب، به کلاس های حمله و عادی تخصیص می یابد. تحلیل مفهومی و بررسی پژوهش های پیشین نشان می دهد که مدل ترکیبی CNN-LSTM در مقایسه با روش های سنتی و برخی مدل های منفرد، توان بالاتری در استخراج خودکار ویژگی ها، تشخیص الگوهای پیچیده، کاهش هشدارهای کاذب و افزایش دقت طبقه بندی دارد. نتایج این مطالعه بیانگر آن است که استفاده از روش های یادگیری عمیق ترکیبی می تواند نقش موثری در افزایش تاب آوری و امنیت شبکه های نرم افزارمحور ایفا کند.

کلیدواژه ها:

تشخیص نفوذ ، شبکه های نرم افزارمحور ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، LSTM