تشخیص و مهار حملات سایبری در شبکه های SDN با استفاده از یادگیری عمیق و تحلیل رفتاری جریان داده

گسترش شبکه های مبتنی بر نرم افزار (SDN) با وجود انعطاف پذیری بالا، سطح حملات جدیدی را ایجاد کرده است که سیستم های تشخیص نفوذ سنتی قادر به مقابله موثر با آن ها نیستند. در این پژوهش یک سامانه تشخیص نفوذ ترکیبی ارائه می شود که از ادغام یادگیری عمیق و یادگیری تقویتی برای شناسایی و مدیریت حملات DDoS با تمرکز بر حملات SYN Flood استفاده می کند. معماری مدل شامل CNN برای استخراج ویژگی های زمانی–فضایی، LSTM برای تحلیل الگوهای طولی ترافیک، و یک عامل RL برای تصمیم گیری پویا در سطح کنترلر SDN است. مدل پیشنهادی روی داده های NSL-KDD و ترافیک شبیه سازی شده در محیط Mininet ارزیابی شد و توانست دقت ۹۸.۷٪، Recall برابر ۹۸.۴٪ و کاهش میانگین تاخیر پردازشی به ۱۴ms را فراهم کند. نتایج نشان می دهند که رویکرد پیشنهادی در مقایسه با IDSهای مبتنی بر CNN، LSTM، RL و مدل های هیبریدی جدید، توانایی بالاتری در شناسایی حملات با نرخ پایین و حملات چندمرحله ای دارد. در پایان نیز مسیرهای پژوهشی آینده شامل یادگیری فدرال، ارزیابی روی شبکه های واقعی سازمانی و استفاده از مدل های مبتنی بر گراف پیشنهاد شده است.

کلیدواژه ها:

Software-Defined Networking ، Intrusion Detection System ، Deep Reinforcement Learning ، DDoS ، SYN Flood ، CNN-LSTM ، امنیت شبکه