تشخیص و کاهش ناهنجاریهای امنیتی در شبکه های نرم افزار محور با کلاسبندی ترافیک ها با استفاده از یادگیری عمیق

تشخیص و کاهش ناهنجاریهای امنیتی در شبکه های نرم افزار محور با کلاسبندی ترافیک ها با استفاده از یادگیری عمیق

فائزه کیانی مروج1

1) کارشناسی ارشد گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد قزوین، قزوین، ایران

کد IOI مقاله : XKBA-AAAEKE
محل انتشار : سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
    امنیت در شبکه های نرم افزاری تعریف شده (SDN) به عنوان یکی از چالش های اصلی در فناوری اطلاعات مدرن پدیدار شده است. با توجه به ویژگی های منحصر به فرد SDN، مانند کنترل متمرکز و معماری قابل برنامه ریزی، نقض امنیتی و ناهنجاری می تواند به سرعت در این شبکه ها گسترش یابد. این مقاله یک رویکرد جدید برای شناسایی و کاهش ناهنجاری‌های امنیتی در SDN با استفاده از طبقه‌بندی ترافیک مبتنی بر یادگیری عمیق (DL) ارائه می‌کند. روش پیشنهادی از الگوریتم‌های DL پیشرفته برای شناسایی رفتارهای غیرعادی و شناسایی حملات با دقت بالا استفاده می‌کند. نتایج شبیه‌سازی نشان می‌دهد که مدل پیشنهادی از نظر کارایی و زمان پاسخ از روش‌های سنتی بهتر عمل می‌کند و آن را به ابزاری ارزشمند برای افزایش امنیت در محیط‌های SDN تبدیل می‌کند. این مقاله به طور قابل توجهی به بهبود تکنیک های امنیتی در شبکه های تعریف شده با نرم افزار کمک می کند.

کلمات کلیدی : تشخیص ناهنجاری شبکه های تعریف شده توسط نرم افزار یادگیری عمیق یادگیری ماشینی طبقه بندی ترافیک آستانه تطبیقی