استخدام خوارزميات التعلم الآلي التكيفية للتحذير من مخاطر المعلومات والوعي بسيناريوهات أمن الشبكات في بيئات الحوسبة السحابية

ملخص

تقترح الورقة حلا جديدا قائما على تعلم الآلة (ML) لأمن الشبكات التكيفية في نظام سحابي يدمج التصنيف الهرمي متعدد العلامات ونظام تقييم الثقة الديناميكي لتعزيز دقة اكتشاف التهديدات وتقليل عدد الإيجابيات الكاذبة.

الملخص

تقترح هذه الدراسة إطارا جديدا للوعي الوضعي بأمن الشبكات والتحذير من المخاطر في بيئات الحوسبة السحابية، مع دمج التعلم الآلي التكيفي (ML)، والتصنيف الهرمي متعدد العلامات (HMC)، وآلية تقييم الثقة الديناميكية المبنية على نموذج السحابة. تشكل تعقيد وتنوعها وطبيعة الهجمات الإلكترونية الناشئة في الوقت الحقيقي - مثل استغلالات اليوم الصفري، وحجب الخدمة الموزعة (DDoS)، والشبكات البوتية الآلية - تحديات كبيرة لطرق الكشف التقليدية القائمة على القواعد والاستقرار. لمعالجة هذه التحديات، طورنا بنية سحابية فعالة تعتمد على SDN باستخدام وحدة تحكم Ryu OpenFlow ومفاتيح OpenFlow. تمكن هذه البنية من جمع معلومات الروابط في الوقت الحقيقي، والجدولة الديناميكية، ونقل البيانات القابل للتوسع والموثوق. يمكن لإطار التصنيف الهرمي المقترح أن يقسم المشكلات متعددة الفئات إلى مهام ثنائية، مما يخفف من تأثير عدم توازن العينات ويعزز التعرف على الهجمات منخفضة التردد، بما في ذلك الهجوم المستخدم إلى الجذر (U2R). تقنيات التعلم الجماعي، بما في ذلك AdaBoost وBagging، تعزز دقة الكشف لأنواع الهجمات الدقيقة الدقيقة. تظهر التجارب التي أجريت على مجموعات بيانات DDoS، وبيانات حركة السحابة، والمحاكاة في Mininet وEstiNet أن النهج المشترك بين ML-HMC-الثقة يحسن بشكل كبير دقة الكشف، ويقلل من الإيجابيات الكاذبة، ويتيح الاستجابة في الوقت الحقيقي. تؤكد هذه النتائج أن دمج التعلم التكيفي، والتصنيف الهرمي، والتقييم الديناميكي للثقة يوفر حلا قويا وقابلا للتوسع لتأمين منصات سحابية واسعة النطاق.

المقدمة

مع انتشار تطبيقات تكنولوجيا الحوسبة السحابية في مختلف الصناعات، يزداد حجم وكمية البيانات في أنظمة المعلومات بسرعة، وتصبح تهديدات الشبكة أكثر تعقيدا واختفاء وديناميكية ^1,2. آليات الدفاع الأمني التقليدية المبنية على القواعد والنماذج الثابتة لم تعد قادرة على تلبية متطلبات الكشف في الوقت الحقيقي مع إنذار مبكر دقيق عند مواجهة استراتيجيات هجوم متغيرة، وثغرات يوم الصفر، وهجمات موزعة واسعة النطاق³. لذلك، فإن الاستفادة من خوارزميات التعلم الآلي التكيفية لدمج معالجة البيانات الموزعة وقدرات التحليل الذكي بالكامل داخل منصات الحوسبة السحابية لتحقيق تصور شامل لوضع أم....

البروتوكول

ملاحظة: يصف هذا البروتوكول كيفية بناء نظام وعي أمني الشبكة السحابي وتنفيذ التصنيف الهرمي مع تقييم الثقة الديناميكي. اتبع الخطوات التالية لتصميم طوبولوجيا شبكة السحابة، وجمع وتعليق تدفقات البيانات، ونشر وحدات التصنيف متعدد الفئات الهرمية وتقييم الثقة. يوضح الشكل 1 إطار العمل المقترح لسحابة SDN الذي يدمج تعلم الآلة، والتصنيف الهرمي، وتقييم الثقة لاكتشاف الهجمات في الوقت الحقيقي.

1. تصميم طوبولوجيا شبكة السحابة

ملاحظة: تأكد من الوصول الإداري إلى OpenStack وRyu وMininet قبل المتابعة.

1. نشر النظام على منصة سحابية مبنية من OpenStack. استخدم تقنية....

النتائج

التحقق التجريبي وتحليل الأداء

التحقق السحابي

لاختبار كفاءة وإمكانية تنفيذ الخوارزمية المقترحة، أجريت اختبارات محاكاة في بيئة مختبرية شبكية محكمة. تم التحقق على نظام ويندوز، وتم ترميز الخوارزمية الأساسية في أدوات برمجة VC (Visual C++).

في حالة البيانات التجريبية، اخترنا مجموعة البيانات المتاحة للجمهور بنسبة KDDCUP_10٪ (http://kdd.ics.uci.edu/databases/kddc.......

المناقشة

يعتمد النشر الفعال لهذا البروتوكول على خطوات حاسمة ضمن البنية السحابية. التكوين الصحيح لوحدة تحكم Ryu OpenFlow، والإعداد الصحيح لقواعد Open vSwitch، وتكوين طوبولوجيا متعددة الطبقات القوي ضرورية لضمان التقاط حركة المرور بالكامل. اختيار ريو كوحدة تحكم وOpen vSwitch كمنصة تبديل يعزز بشكل كبير القيمة العملية للنظام؛ خصائصها الخفيفة الوزن والقابلة للبرمجة بالكامل تجعلها مثالية لمراقبة الشبكة في الوقت الحقيقي، والتحكم الديناميكي في التدفق، وإدارة الأمان القابلة للتوسع عبر البنى التحتية السحابي.......

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
AdaBoost (مكتبة التعلم الجماعي)	Scikit-learn، بايثون	https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html	البرمجيات
مصنف التعبئة	Scikit-learn، بايثون	https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.BaggingClassifier.html	البرمجيات
كود تقييم الثقة في نموذج السحابة	تنفيذ مخصص	لا يوجد	الخوارزمية/البرمجيات
الشبكة العصبية الالتفافية (CNN)	تينسورفلو / بايتورش	https://www.tensorflow.org/tutorials/images/cnn	البرمجيات
أطر التعلم العميق (MLP، RNN، LSTM، GRU)	تينسورفلو / بايتورش		البرمجيات
محاكي شبكة إستينت	تقنيات إستينت	https://sites.google.com/view/estinet-network-simulator	البرمجيات
كافكا (منصة تدفق البيانات)	مؤسسة أباتشي	https://kafka.apache.org/	البرمجيات
مجموعة بيانات KDD CUP 10٪	مستودع تعلم الآلة في UCI	http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html	مجموعة البيانات
محاكي مينينت	مشروع مينينت	مينينت 2.3.1	محاكاة الشبكة لطوبولوجيا SDN، وعرض النطاق الترددي، ومحاكاة الهجوم المختلط.
فتح vSwitch (OVS)	افتح vSwitch Org	OVS 3.2.2	المفتاح الافتراضي ينفذ التحكم في جدول التدفق وإعادة توجيه حركة الهجوم.
منصة OpenStack السحابية	مؤسسة البنية التحتية المفتوحة	https://www.openstack.org/	برامج السحابة
بايثون 3.x	مؤسسة بايثون للبرمجيات	https://www.python.org/downloads/	لغة البرمجة
وحدة تحكم SDN ريو	NTT R& D	ريو 4.34	وحدة تحكم SDN لالتقاط حركة مرور الشبكة في الوقت الحقيقي وزيادة الوعي بالموقف.
إطار عمل سبارك ستريمينغ	مؤسسة أباتشي	https://spark.apache.org/docs/latest/streaming-programming-guide.html	البرمجيات
مترجم Visual C++ (VC++)	مايكروسوفت	https://visualstudio.microsoft.com/	البرمجيات
محطة العمل ويندوز 11	مايكروسوفت	ويندوز 11 برو 23H2	يستخدم نظام التشغيل لتجميع النماذج والتدريب والاختبار.