ارائه چارچوب تشخیص نفوذ در شبکه های ابری توزیع شده با استفاده از شبکه های عصبی گرافی و تحلیل رفتاری بسته ها

هدف این پژوهش، ارائه چارچوبی هوشمند و مقیاس پذیر برای تشخیص نفوذ در شبکه های ابری توزیع شده با تلفیق تحلیل رفتاری ترافیک شبکه و مدل سازی گرافی ارتباطات است. با توجه به پیچیدگی الگوهای حمله، پویایی توپولوژی شبکه و محدودیت روش های سنتی تشخیص نفوذ، در این پژوهش از شبکه های عصبی گرافی (GNN) برای شناسایی الگوهای مشکوک و کشف روابط پیچیده میان موجودیت های شبکه استفاده می شود. در روش پیشنهادی، ابتدا داده های ترافیک شبکه پس از پیش پردازش و استخراج ویژگی، بر اساس شاخص های آماری و زمانی، نرخ تبادل داده، توزیع طول بسته ها، فاصله زمانی میان بسته ها و الگوهای ارتباطی تحلیل می شوند. سپس، ساختار شبکه به صورت یک گراف جهت دار و وزن دار مدل سازی می شود که در آن، گره ها معرف موجودیت هایی نظیر میزبان ها، ماشین های مجازی و سرویس ها و یال ها بیانگر تعاملات و جریان های ارتباطی هستند. ویژگی های استخراج شده به گره ها و یال ها اختصاص می یابند و مدل GNN با استفاده از سازوکار پیام رسانی، وابستگی های ساختاری و الگوهای رفتاری شبکه را یاد می گیرد. در ادامه، عملکرد چارچوب پیشنهادی با استفاده از معیارهای Accuracy، Recall، F۱-score و نرخ هشدار کاذب، در مقایسه با روش های مرجع کلاسیک و مدل های یادگیری عمیق غیرگرافی ارزیابی می شود. نتایج ارزیابی نشان دهنده بهبود عملکرد روش پیشنهادی در معیارهای Accuracy، Recall و F۱-score و حفظ نرخ هشدار کاذب در سطح پایین است. همچنین، بررسی سربار محاسباتی، مقیاس پذیری قابل قبول چارچوب را با افزایش تعداد گره ها و یال های گراف نشان می دهد. در مجموع، نتایج بیانگر آن است که تلفیق تحلیل رفتاری ترافیک و یادگیری گراف محور می تواند رویکردی موثر برای ارتقای دقت، کارایی و مقیاس پذیری سامانه های تشخیص نفوذ در محیط های ابری توزیع شده و پویا فراهم آورد.

کلیدواژه ها:

تشخیص نفوذ ، شبکه های ابری توزیع شده ، تحلیل رفتاری ترافیک شبکه ، مدل سازی گرافی ، شبکه های عصبی گرافی