بررسی یک معماری ترکیبی مبتنی بر یادگیری فدرال و شبکه های LSTM برای تشخیص حملات DDoS در محیط های ابری توزیع شده

پیش بینی ها نشان می دهد که هزینه ی جرایم سایبری تا سال ۲۰۲۷ از مرز ۱۵ تریلیون دلار فراتر خواهد رفت و در این میان، حملات انکار سرویس توزیع شده (DDoS) به عنوان یکی از مخرب ترین تهدیدات علیه سرویس دهندگان ابری و سازمان های مدرن شناخته می شوند. روش های سنتی تشخیص نفوذ که بر پایه ی امضا عمل می کنند، در مواجهه با حجم عظیم و ماهیت پویای ترافیک شبکه های ابری کارایی خود را از دست داده اند. از سوی دیگر، تمرکز داده های ترافیکی در یک سرور مرکزی برای آموزش مدل های یادگیری ماشین، چالش های جدی در زمینه ی حریم خصوصی و مصرف پهنای باند ایجاد می کند. در این پژوهش، یک معماری ترکیبی نوین مبتنی بر یادگیری فدرال و شبکه های عصبی بازگشتی از نوع LSTM ارائه می شود که ضمن حفظ حریم خصوصی داده های کاربران در محیط های چند-مستاجری ابری، قادر به شناسایی حملات DDoS با دقت بالا است. در معماری پیشنهادی، هر گره (مشتری ابری) مدل LSTM محلی خود را روی دیتاست CICDDoS۲۰۱۹ آموزش می دهد و تنها وزن های به روزرسانی شده را برای سرور مرکزی ارسال می کند. سرور با استفاده از الگوریتم میانگین گیری فدرال (FedAvg)، مدل جهانی را بهبود می بخشد. نتایج شبیه سازی نشان می دهد که رویکرد ترکیبی FL-LSTM قادر است به دقت بیش از ۹۸.۷ درصد دست یابد و نرخ هشدارهای کاذب را در مقایسه با مدل های متمرکز و کلاسیک به طور چشمگیری کاهش دهد. این مقاله یک چارچوب عملیاتی برای پیاده سازی سیستم های تشخیص نفوذ نسل آینده در مراکز داده ی بزرگ ارائه می نماید.

کلیدواژه ها:

یادگیری فدرال ، تشخیص حملات DDoS ، شبکه های LSTM ، سیستم های توزیع شده ، امنیت ابری