رویکردی نوین مبتنی بر الگوریتم های یادگیری ماشین جهت بهبود عملکرد شبکه های نرم افزار محور

شبکه های نرم افزار محور معماری جدید شبکه است که کنترل مرکزی شبکه و سهولت قابلیت برنامه ریزی را دارد، ازاین رو قابلیت مدیریت، مقیاس گذاری و عملکرد شبکه را بهبود می بخشد. با این حال ممکن است کنترلر دارای نقاط آسیب پذیر مرکزی باشد. امروزه با گستردگی روزافزون اینترنت، شناسایی و مقابله با انواع تهدیدات و حملات تحت شبکه به یکی از مهمترین چالشها در شبکه های کامپیوتری مبدل گردیده است. از جمله چنین حملاتی می توان به حملات انکار سرویس توزیع شده (DDOS: Distributed Denial of Service) اشاره نمود. شبکه تعریف شده نرم افزار(SDN) یک ابزار بسیار مفید نه تنها برای مدیریت شبکه ها است بلکه برای افزایش امنیت شبکه، به ویژه با پیاده سازی سیستم های تشخیص نفوذ (IDS) به طور مستقیم به معماری SDN نیاز است. پیاده سازی IDS در پارادایم SDN می تواند موجب پیاده سازی ساده ، سرعت بخشیدن به واکنش های مخرب شود و به طور کلی قابلیت واکنش مناسب و سریع به حملات سایبری از طریق اقدامات متقابل را دارد. با این وجود، یکی از چالشهای مهم این است که همواره جاگذاری IDS در SDN منجر به تاخیر در این شبکه ها گردیده ودر نتیجه نمی توان در محیط های شبکه خاص مانند سیستم های کنترل صنعتی این تاخیر را تحمل کرد. روش پیشنهادی در این پایان نامه شامل ارائه یک مکانیزم امنیتی نوین مبتنی بر الگوریتم های یادگیری ماشین در راستای کاهش تاخیر شناسایی حملات در شبکه های نرم افزار محور است. رویکرد پیشنهادی در این پایان نامه با وجود افزایش پیچیدگی نرم افزار و سخت افزار همواره قابلیت شناسایی سریع حملات را داشته و از طرفی منجر به سربار اضافی و کاهش سرعت کلی شبکه نمی گردد. نتایج پیاده سازی ها و شبیه سازی ها نشان می دهد که روش پیشنهادی منجر به کاهش زمان تاخیر شناسایی حملات، افزایش امنیت و دقت تشخیص حملات سایبری، کاهش سربار محاسباتی شبکه و در نهایت بهبود عملکرد و افزایش سرعت کلی شبکه میگردد.

کلیدواژه ها:

امنیت شبکه ، سربار محاسباتی ، دقت شناسایی رفتارهای مخرب ، سیستم تشخیص نفوذ (IDS) ، شبکه های تعریف شده نرم افزاری (SDN)