Wykorzystanie adaptacyjnych algorytmów uczenia maszynowego do ostrzegania przed ryzykiem informacyjnym oraz świadomości scenariusza bezpieczeństwa sieciowego w środowiskach chmurowych

Summary

Artykuł proponuje nowatorskie rozwiązanie oparte na uczeniu maszynowym (ML) oparte na adaptacyjnym bezpieczeństwie sieciowym w systemie opartym na chmurze, które integruje hierarchiczną klasyfikację wieloznaczną oraz dynamiczny system oceny zaufania, aby zwiększyć dokładność wykrywania zagrożeń i zmniejszyć liczbę fałszywie pozytywnych wyników.

Abstract

Niniejsze badanie proponuje nowatorskie ramy świadomości sytuacyjnej i ostrzegania przed ryzykiem bezpieczeństwa sieciowego w środowiskach chmurowych, integrujące adaptacyjne uczenie maszynowe (ML), hierarchiczną klasyfikację wieloetykietową (HMC) oraz dynamiczny mechanizm oceny zaufania oparty na modelu chmurowym. Złożoność, różnorodność i charakter w czasie rzeczywistym pojawiających się cyberataków – takich jak zero-day exploity, rozproszone odmowy usługi (DDoS) oraz botnety – stanowią poważne wyzwanie dla tradycyjnych metod wykrywania opartych na regułach i statycznych metodach wykrywania. Aby sprostać tym wyzwaniom, opracowaliśmy skuteczną architekturę chmurową opartą na SDN, wykorzystującą kontroler Ryu OpenFlow oraz przełączniki OpenFlow. Ta architektura umożliwia zbieranie informacji o łączu w czasie rzeczywistym, dynamiczne planowanie oraz skalowalną, niezawodną transmisję danych. Proponowany hierarchiczny system klasyfikacji może rozbijać problemy wieloklasowe na zadania binarne, łagodząc wpływ nierównowagi próbek i poprawiając rozpoznawanie ataków niskoczęstotliwościowych, w tym User to Root (U2R). Techniki uczenia zespołowego, w tym AdaBoost i Bagging, dodatkowo zwiększają dokładność wykrywania dla drobnoziarnistych typów ataków. Eksperymenty przeprowadzone na zbiorach danych DDoS, danych o ruchu chmurowym oraz symulacjach w Mininet i EstiNet pokazują, że połączone podejście ML-HMC-trust znacząco poprawia precyzję wykrywania, redukuje liczbę fałszywych alarmów i umożliwia reakcję w czasie rzeczywistym. Wyniki te potwierdzają, że integracja adaptacyjnego uczenia się, hierarchicznej klasyfikacji oraz dynamicznej oceny zaufania zapewnia solidne i skalowalne rozwiązanie do zabezpieczania dużych platform chmurowych.

Introduction

Wraz z powszechnym zastosowaniem technologii chmury obliczeniowej w różnych branżach, skala i ilość danych w systemach informacyjnych szybko rosną, a zagrożenia sieciowe stają się coraz bardziej złożone, ukryte i dynamiczne ^1,2. Tradycyjne mechanizmy obrony bezpieczeństwa oparte na regułach i modelach statycznych nie są już w stanie sprostać wymaganiom wykrywania w czasie rzeczywistym z dokładnym wczesnym ostrzeżeniem, gdy obliczą zmieniające się strategie ataków, podatności zero-day^{oraz rozproszone} ataki na dużą skalę. Dlatego wykorzystanie adaptacyjnych algorytmów ML do pełnej integracji rozproszonego przetwarzania danych i inteligentnej analizy w ramach platform chmurowych, aby osiągnąć kompleksowe postrzeganie sytuacji bezpieczeństwa sieci oraz skuteczne wczesne ostrzeganie przed ryzykiem informacyjnym, stanowi kluczowe wyzwanie w obecnym krajobrazie bezpieczeństwa informacji⁴. Badania te mają nie tylko istotne znaczenie teoretyczne dla poprawy istniejącego systemu ochrony bezpieczeństwa, ale także stanowią silne wsparcie dla zapewnienia bezpieczeństwa krajowej kluczowej infrastruktury informacyjnej^{oraz podstawowych danych} przedsiębiorstwa.

Istnieje wiele wyzwań związanych z realizacją świadomości sytuacji bezpieczeństwa sieci oraz ostrzegania przed ryzykiem informacyjnym w środowisku chmurowym: typy danych agregowane na platformie chmurowej są liczne, a źródła są złożone, co sprawia, że zadania wstępnego przetwarzania, ekstrakcji funkcji i fuzji są coraz trudniejsze; W obliczu rosnącego ruchu sieciowego i szybko zmieniających się scenariuszy ataków, system musi reagować w bardzo krótkim czasie, a wykrywanie i ostrzeganie w czasie rzeczywistym stały się technicznymi wąskimi gardłami; ilość ruchu normalnego różni się znacznie od ruchu atakującego, a tradycyjne algorytmy mają niską dokładność przy przetwarzaniu małych kategorii próbek (takich jak U2R, ataki sieciowe itp.), co wiąże się z dużym ryzykiem błędnej oceny; W złożonym środowisku sieciowym relacje zaufania są zależne od wielu czynników i są losowe oraz niepewne ^6,7. Tradycyjne metody oceny zaufania oparte na stałych progach trudno odzwierciedlają stan rzeczywisty i łatwo są zakłócane przez nieprawidłowe dane. Aby sprostać tym wielowymiarowym ograniczeniom, badania przedstawiają zintegrowane ramy, które łączą adaptacyjne uczenie maszynowe, hierarchiczną klasyfikację wieloetykietową oraz dynamiczny mechanizm oceny zaufania oparty na modelach chmurowych. Ta fuzja technik zastosowanych w środowisku chmurowym opartym na SDN wykracza poza stopniowe udoskonalanie, umożliwiając precyzyjne rozpoznawanie ataków niskiej częstotliwości, adaptację zaufania w czasie rzeczywistym oraz skalowalną świadomość sytuacyjną, czego istniejące metody nie osiągnęły jednocześnie.

Środowiska chmurowe generują ogromny, bardzo dynamiczny i heterogeniczny ruch sieciowy, przez co tradycyjne systemy wykrywania włamań (IDS) nie są w stanie dokładnie identyfikować zaawansowanych i mniejszościowych typów ataków, takich jak U2R i R2L. Istniejące rozwiązania IDS oparte na głębokim uczeniu (DL) poprawiają dokładność wykrywania, ale nadal cierpią na wysokie obciążenie obliczeniowe, wolną reakcję w czasie rzeczywistym oraz słabe zarządzanie niepewnymi lub ewoluującymi relacjami zaufania między podmiotami sieciowymi. Ponadto większość obecnych modeli działa jako płaskie klasyfikatory i nie ma mechanizmów do precyzyjnego, hierarchicznego podejmowania decyzji ani dynamicznej oceny zaufania. Te ograniczenia tworzą kluczową lukę w rozwoju IDS, który jednocześnie zapewnia wykrywanie w czasie rzeczywistym, dokładne rozpoznawanie mniejszości oraz wiarygodną, świadomą zaufania ocenę ryzyka w dużych środowiskach chmurowych.

W istniejących badaniach nad świadomością sytuacyjną bezpieczeństwa sieci oraz ostrzeganiem przed ryzykiem informacji wiele badań wykorzystuje metody takie jak K-nearest neighbor (KNN) oraz support vector machine (SVM) do klasyfikacji i wykrywania ruchu sieciowego. Algorytmy te mają zalety wysokiej wydajności obliczeniowej i łatwej implementacji, zwłaszcza przy wstępnym przesiewaniu dużych ilości danych ^8,9. Jednak ich główne wady odzwierciedlają się w kilku aspektach: gdy w chmurze mają do czynienia z większością normalnego ruchu i niewielką liczbą próbek ataków, tradycyjne metody ML często ignorują informacje z kilku kategorii, co skutkuje niskimi wskaźnikami rozpoznawania ataków drobnoziarnistych (takich jak U2R, ataki na luki sieciowe itp.); Pojedyncze modele są zazwyczaj wrażliwe na szum i odstawcze danych, nie potrafią dostosować się do dynamicznie zmieniających się scenariuszy ataku i są podatne na nadmierne dopasowanie lub niewystarczające uogólnienie^10,11.

W ostatnich latach coraz częściej stosuje się metody DL, takie jak Multi-Layer Perceptron (MLP), CNN, Recurrent Neural Network (RNN), Long Short-Term Memory Network (LSTM) oraz Gated Recurrent Unit (GRU). Dzięki potężnym możliwościom uczenia się cech i mapowania nieliniowego głębokich sieci neuronowych metody te znacznie poprawiły dokładność wykrywania i zwiększyły zdolność do rejestrowania złożonych zachowań ataków w porównaniu z tradycyjnym ML¹². Jednak mają wysokie wymagania dotyczące zasobów obliczeniowych i danych treningowych. Szczególnie w kontekście ruchu big data w środowiskach chmurowych wciąż istnieje pole do poprawy narzutu treningowego i szybkości wnioskowania w czasie rzeczywistym. Przy identyfikacji klas z niewielką liczbą próbek, ze względu na nierównowagę danych, modele DL mają niskie wskaźniki wykrywania niektórych drobnoziarnistych ataków (takich jak U2R, botnety) z powodu błędu klasowego¹³. Aby zrekompensować ograniczenia pojedynczego modelu w radzeniu sobie z nierównowagą danych i identyfikacją ataków wieloklasowych, niektóre badania zaproponowały rozwiązania oparte na uczeniu zespołowym, takie jak Bagging i Boosting, które rozszerzają ogólną dokładność predykcji poprzez łączenie decyzji wielu klasyfikatorów¹⁴. Jednocześnie architektura hierarchicznej klasyfikacji wieloklasowej (HMC) rozkłada problem klasyfikacji wieloklasowej na wiele podwójnych podproblemów klasyfikacji, osiągając tym samym bardziej precyzyjne rozpoznanie klas z mniejszą liczbą próbek. Jednak modele zintegrowane często napotykają problemy takie jak wysokie zużycie zasobów obliczeniowych i wydłużony czas reakcji podczas wdrażania, zwłaszcza w systemach monitorowania czasu rzeczywistego w chmurze, gdzie wymagania w czasie rzeczywistym zwiększają obciążenie zasobów systemowych¹⁵.

W odpowiedzi na problem dynamicznej oceny relacji zaufania w sieci, niektóre badania wprowadziły teorię modeli chmur, która konstruuje chmurę afiliacji zaufania poprzez opis rozmycia i losowości atrybutów zaufania każdego podmiotu, a następnie wykorzystuje krople chmur, entropię, superentropię i inne wskaźniki do oceny ilościowej¹⁶. W obliczu aktualizacji danych o zaufaniu sieciowym w czasie rzeczywistym, szybkość aktualizacji i wydajność obliczeniowa istniejących metod modeli chmurowych mogą mieć trudności z spełnieniem wymagań ostrzegania dynamicznego o wysokiej częstotliwości; Model jest bardzo wrażliwy na dane ewaluacyjne, a nieprawidłowe dane lub informacje o szumie mogą znacząco zakłócać ogólną ocenę zaufania, wpływając na późniejsze decyzje dotyczące ostrzeżeń o ryzyku.

W świetle licznych niedociągnięć obecnych badań dotyczących dokładności wykrywania, wydajności w czasie rzeczywistym, przetwarzania balansowania danych oraz oceny zaufania, niniejszy artykuł proponuje nowy system obrony, który kompleksowo wykorzystuje adaptacyjne algorytmy ML, hierarchiczne strategie klasyfikacji wieloklasowej oraz ewaluację zaufania modeli chmurowych dla świadomości sytuacyjnej bezpieczeństwa sieciowego oraz ostrzegania przed ryzykiem informacji w środowiskach chmurowych¹⁷.

Badania dotyczą cyberbezpieczeństwa w czasie rzeczywistym dla inteligentnych sieci statków poprzez wykorzystanie technologii chmury obliczeniowej¹⁸. Proponuje ramę węzłów wielosensorowych do analizy danych pod kątem złośliwych ataków oraz wykorzystuje samowykonujące się węzły ochrony do przechwytywania zagrożeń. Wyniki pokazują wskaźnik wykrywania i obrony przed włamaniem wirusów na poziomie 85-95% oraz wskaźnik fałszywie pozytywnych wyników na poziomie 2,56%, co znacząco przewyższa inne algorytmy. Jednak podejście to wymaga dużych zasobów obliczeniowych i ograniczeń infrastruktury chmurowej w praktyce wdrożenia. Aslan i ^in.19 dostarczają inteligentny system wykrywania złośliwego oprogramowania opartego na zachowaniu w środowisku chmurowym. Opracowano zbiór danych o złośliwym złośliwym złośliwie dla maszyn wirtualnych i wykorzystywało wybrane funkcje z agentami wykrywania opartymi na uczeniu się i regułach do klasyfikacji złośliwego oprogramowania i nieszkodliwych próbek. Ocena 10 000 próbek programów wykazała wysoką wydajność z lepszym wskaźnikiem wykrywania i FPR. Niemniej jednak metoda miała problemy ze skalowalnością ze względu na stale zmieniające się warianty złośliwego oprogramowania i wdrożenia w chmurze na skalę i w czasie rzeczywistym.

Pomimo znaczącego wkładu tych badań, bardziej szczegółowe porównanie pokazuje, że większość istniejących rozwiązań nie uwzględnia założeń i wymagań świadomości sytuacyjnej w czasie rzeczywistym ani dynamicznego modelu zaufania w środowiskach chmurowych. Konwencjonalne techniki ML zakładają granice cech ustalonych w przestrzeni i zawodzą w zakresie nierównowagi klasowej oraz wysoce dynamicznej dynamiki ruchu ^8,9,10. Modele DL cechują się doskonałymi możliwościami wyodrębniania cech, ale zużywają dużą moc obliczeniową, co sprawia, że proces wnioskowania jest powolny i niepraktyczny w monitorowaniu w czasie rzeczywistym^12,13. Podejścia oparte na zespołach i HMC są dokładniejsze, ale wymagają jeszcze większego opóźnienia i zasobów, a obecnie nie są wdrażane w chmurach na dużą skalę^14,15. Tymczasem techniki oceny zaufania oparte na modelach chmurowych dobrze rejestrują niepewność, ale pozostają bardzo wrażliwe na zaszumione dane i nie mogą efektywnie aktualizować wartości zaufania w strumieniach ataków o wysokiej częstotliwości 16,17,18,19. Nawet najnowsze chmurowe frameworki IDS nie mają solidnego, zintegrowanego wsparcia zarówno dla wykrywania w czasie rzeczywistym, jak i podejmowania decyzji świadomych zaufania^20,21. Te ograniczenia łącznie podkreślają konieczność efektywnego, zintegrowanego i opartego na zaufaniu ram wykrywania włamań. Badania te przezwyciężają te ograniczenia poprzez integrację adaptacyjnej oceny zaufania opartej na modelu ML, HMC oraz opartej na modelu chmurowym w architekturze chmurowej z SDN, umożliwiając wykrywanie w czasie rzeczywistym, poprawę dokładności klasy mniejszości oraz świadomą oceny ryzyka z uwzględnieniem niepewności.

Innowacje zawarte w tym artykule odzwierciedlają się głównie w następujących aspektach: Zbudowano wydajną architekturę sieci rozproszonej opartą na kontrolerze Ryu OpenFlow i przełączniku OpenFlow, która umożliwia zbieranie w czasie rzeczywistym i dynamiczne planowanie informacji o łączu, co znacznie poprawia efektywność i przetwarzanie danych.

W świetle trudności związanych z nierównowagą danych i identyfikacją ataków w niewielkich próbkach, zaprojektowano odgórny framework HMC oraz wprowadzono zintegrowane metody uczenia, takie jak AdaBoost i Bagging, aby znacząco poprawić dokładność wykrywania kategorii ataków o drobnym ziarnie.

Teoria modelu chmury jest wykorzystywana do budowy chmury afiliacyjnej zaufania. Dzięki generatorowi odwrotnemu i obliczeniu podobieństwa realizowana jest dynamiczna ocena statusu funduszu powierniczego każdego podmiotu w sieci, zapewniając ilościową podstawę do ostrzegania przed ryzykiem i skutecznie tłumiąc spekulacje kredytowe spowodowane nietypowymi transakcjami o niskich lub wysokich cenach.

Protocol

UWAGA: Protokół ten opisuje, jak zbudować oparty na chmurze system sytuacyjnej świadomości bezpieczeństwa sieciowego oraz wdrożyć hierarchiczną klasyfikację z dynamiczną oceną zaufania. Postępuj zgodnie z poniższymi krokami, aby zaprojektować topologię sieci chmurowej, zbierać i adnotować przepływy danych oraz wdrażać hierarchiczne moduły klasyfikacji wieloklasowej i oceny zaufania. Rysunek 1 ilustruje proponowany framework SDN-cloud integrujący adaptacyjne ML, hierarchiczną klasyfikację oraz ocenę zaufania dla wykrywania ataków w czasie rzeczywistym.

1. Projekt topologii sieci chmurowej

UWAGA: Przed kontynuowaniem upewnij się o dostęp administracyjny do OpenStack, Ryu i Mininet.

1. Wdroż system na platformie chmurowej stworzonej przez OpenStack. Wykorzystaj technologię wirtualizacji do tworzenia wielu wirtualnych hostów i konfiguracji środowiska sieci definiowanej programowo (SDN) do zunifikowanego zarządzania zasobami i izolowanego harmonogramowania.
2. Wdrożenie i konfiguracja Ryu oraz Open vSwitch (OVS) do współpracy z kontrolą SDN i zarządzaniem ruchem.
3. Skonstruuj topologię trójwarstwową, gdzie kontroler Ryu jest rdzeniem, a przełączniki OVS to węzły przekazywania, składające się z warstwy kontrolnej, warstwy przekierowania sieci oraz warstwy usług danych.
   1. Konfiguracja warstwy sterowania: Implementuj scentralizowany kontroler SDN z Ryu. Włącz monitorowanie stanu sieci w czasie rzeczywistym, korzystając z API REST Ryu i podłącz je do modułu wykrywania bezpieczeństwa, aby szybko reagować na nieprawidłowy ruch.
   2. Konfiguracja warstwy przekierowania sieci: Skonfiguruj kilka wirtualnych węzłów przełączających OVS z wirtualnymi hostami i zewnętrznymi bramami. Ustaw polityki tabel przepływu na OVS, aby umożliwić dynamiczne zmiany ścieżek, separację ruchu oraz przekierowanie przepływu po wykryciu ruchu ataku.
   3. Konfiguracja warstwy usług danych: Konfiguruj kilka wirtualnych hostów na platformie OpenStack. Tworzą maszyny wirtualne działające jako serwery webowe, bazowe i plikowe, aby generować realistyczny ruch danych i wspierać przepływy ataków z wtryskami.
4. Dodaj kilka wartości skoków i różne ścieżki. Symuluj heterogeniczne warunki przepustowości i opóźnień sieci, używając polecenia Mininet.
5. Zainstaluj Mininet, aby wdrożyć i zasymulować topologię. Izoluj dzierżawców, segmentację podsieci oraz listy kontroli dostępu (ACL) za pomocą CLI Mininet.
6. Zweryfikowaj konfigurację, aby upewnić się, że topologia umożliwia rejestrowanie ruchu w czasie rzeczywistym i ma bezpośrednią integrację z modułem detekcyjnym.
7. Zapisz ukończoną architekturę systemu (Rysunek 2) i topologię (Rysunek 3) wraz ze wszystkimi powiązaniami między warstwami oraz przepływem informacji.

2. Strategia zbierania przepływu danych i adnotacji

UWAGA: Upewnij się, że przestrzegasz przepisów dotyczących ochrony danych (np. RODO, lokalne polityki cyberbezpieczeństwa). Przedanonimizacja identyfikatorów użytkowników i adresów IP.

1. Instaluj małe agenty zbierania danych na każdym wirtualnym hostze i węźle sieciowym. Ustaw każdego agenta tak, aby stale analizował ruch sieciowy, logi systemowe i informacje o zachowaniach użytkowników.
2. Zainstaluj Kafkę (v3.5) jako kolejkę danych oraz Apache Spark streaming (v3.4), aby przetwarzać dane strumieniowe w czasie rzeczywistym. Skonfiguruj przepustowość Kafki na poziomie 10 000 zdarzeń/s lub wyższą, a interwał mikro-batch w Spark na 500 ms lub mniej.
3. Przetwarzaj zebrane dane sekwencyjnie w następujący sposób:
   1. Oczyść dane, aby wyeliminować duplikaty, niekompletne zapisy i szumy. Filtruj nieprawidłowe pakiety, sprawdzając nagłówki protokołu.
   2. Normalizuj atrybuty numeryczne do standardowego zakresu [0,1], stosując normalizację min-max dla spójnego skalowania cech.
   3. Wyodrębniaj ważne cechy, w tym adresy IP źródłow/docelowe, porty, typ protokołu, liczbę pakietów, liczbę bajtów, opóźnienie przekazywania oraz miary zmienności ruchu.
4. Wprowadź przetworzony zbiór danych do modułu wykrywania wspomaganego AI, aby trenować i weryfikować.
5. Ustalenie podwójnego systemu adnotacji dla dokładnego oznaczania danych:
   1. Stwórz bibliotekę szablonów ataku. Zidentyfikuj typowe wzorce ataków (np. skanowanie portów, zalew SYN, DoS, U2R) za pomocą dopasowania wzorców opartych na regułach.
   2. Ręcznie sprawdzaj niejednoznaczne próbki, aby zachować spójność w etykietach.
6. Do weryfikacji krzyżowej korzystaj z ustalonych zestawów danych benchmarkowych, takich jak CIC-IDS2017 i NSL-KDD. Alignuj etykiety, aby zachować ≥90% spójności między anotatorami.
7. Wykonaj inżynierię cech w celu skonstruowania ustrukturyzowanych wektorów wejściowych. Koduj hierarchie ataków oparte na wielopoziomowych definicjach kategorii.
8. Podziel zbiory danych na 80% treningu i 20% testowania.

3. Hierarchiczna klasyfikacja i ocena zaufania – zintegrowana architektura

1. Skonstruuj inteligentną architekturę percepcji integrującą hierarchiczną klasyfikację wieloklasową (HMC) oraz dynamiczny mechanizm oceny zaufania (rysunek 4).
2. Implementuj moduł HMC według strategii "od grubego do drobnego":
   1. Używaj lekkich funkcji połączenia (np. częstotliwość, rozkład portów, typ protokołu), aby klasyfikować ruch na kategorie "normalne" i "nienormalne".
   2. Dla ruchu "nienormalnego" należy przeprowadzić klasyfikację drugiego poziomu do kategorii ataków, takich jak DDoS, U2R, R2L i Probe, wykorzystując średniopoziomowe cechy statystyczne, takie jak interwał pakietów i rozmiar ładunku.
   3. Zidentyfikuj drobnoziarniste podtypy (np. TCP SYN Flood, SQL Injection, Brute Force Attack) poprzez analizę sygnatur ataku i atrybutów celu.
3. Zoptymalizuj moduł klasyfikacji.
   1. Zastosuj metody uczenia zespołowego AdaBoost i Bagging, budując 5-8 słabych klasyfikatorów na każdym poziomie hierarchii (np. drzewo decyzyjne, regresja logistyczna).
   2. Łącz wyniki klasyfikatora za pomocą ważonego głosowania większościowego opartego na wynikach dokładności.
4. Implementuj moduł dynamicznej oceny zaufania z wykorzystaniem teorii modeli chmurowych:
   1. Stale monitoruj wskaźniki zachowań gospodarza, np. przeszłą stabilność, częstotliwość komunikacji oraz zmienność celów dostępu.
   2. Uwzględnij wiarygodność wyjścia modelu w obliczaniu zaufania. Oszacuj rzeczywisty wynik zaufania (0 do 1) za pomocą parametrów oczekiwania (Ex), entropii (En) i hiperentropii (He).
5. Konfiguruj mechanizm sprzężenia zwrotnego między HMC a modułami zaufania.
   1. Systemy automatycznego harmonogramowania oparte na wartościach zaufania: izoluj hosty z zaufaniem ≤ 0.3 i ograniczaj uprawnienia hostów z zaufaniem 0.3-0.6.
   2. Przeszkol klasyfikator z danymi hosta z zaufaniem ≥ 0.8, aby zwiększyć wykrywalność i elastyczność wobec nieznanych ataków.
6. Testuj zdolność do reakcji zerowego dnia. Włóż nieoznaczony ruch złośliwy i popewnij, że powiadomienia i izolacja zostaną wywołane w ciągu 10 minut.

4. Obliczanie i wdrożenie modelu chmury zaufania (Rysunek 5)

1. Standardowe generowanie chmury zaufania:
   1. Podziel wartości zaufania na n różnych poziomów (np. "Niski", "Średni", "Wysoki", "Bardzo niski" i "Bardzo wysoki").
   2. Oblicz oczekiwanie (Ex_k) dla poziomu k na podstawie średniej wycen funduszy powierniczych dla podmiotów na tym poziomie, stosując Równanie 1:
      
      gdzie T_ik oznacza indywidualne wartości trustowe podmiotów sklasyfikowanych pod poziomem trustu L_k.
   3. Oblicz entropię (En_k), aby ilościowo określić rozmytą wartość zaufania na poziomie L_k , stosując równanie 2:
      
      gdzie α jest stałą kontrolującą poziom rozmycia.
   4. Oblicz hiper-entropię (He_k) za pomocą równania 3, aby zmierzyć niestabilność entropii w czasie:
      
      gdzie β jest parametrem regulującym poziom niepewności.
   5. Na wyjściu wypisz zestaw standardowych chmur zaufania C_{1,C 2},...,C_n odpowiadający n poziomom zaufania.
2. Zaufanie atrybutów odwrotnych do chmury:
   1. Znormalizuj atrybuty zaufania wejściowego A_i do zakresu [0,1] za pomocą równania 4:
      
      Zastosuj analizę statystyczną, aby oszacować odpowiadające parametry modelu chmur (Ex, En, He) dla każdego znormalizowanego atrybutu A_i'.
      Generuj atrybut zaufania cloud C_i dla każdego atrybutu.
3. Kompleksowa ocena funduszu powierniczego:
   1. Oblicz cyfrowe właściwości złożonej chmury zaufania (np._{com,En com,He com}) za pomocą syntezy ważonej (Równania 5-7):
      
      
      
      gdzie
   2. Oblicz podobieństwo między obecną chmurą zaufania C_i a standardową chmurą C_k za pomocą równania 8:
      
      Określ końcowy poziom zaufania L^*, znajdując maksymalne podobieństwo za pomocą równania 9:
      
4. Dynamiczna aktualizacja zaufania
   1. Zaktualizuj wartość zaufania, aby odzwierciedlała ewolucję w czasie za pomocą modelu zaniku czasu w równaniu 10:
      
      gdzie λ∈[0,1] kontroluje wagę zaufania niedawnego i historycznego.
   2. Stosuj mechanizm kary powierniczej, jeśli wystąpią określone odchylenia. Oblicz odchylenie (ΔA) i współczynnik kary_(kara P) za pomocą równań 11 i 12:
      
      
   3. Oblicz zaktualizowaną wartość zaufania za pomocą równania 13:
      

5. Eksperymentalne walidacja wydajności wykrywania ataków

1. Konfiguruj środowisko eksperymentalne i przygotuj zbiór danych.
   1. Użyj stacji roboczej z Windows 11 wyposażonej w narzędzia Visual C++ do kompilacji i testowania algorytmów.
   2. Pobierz zbiór danych KDDCUP_10% z zweryfikowanych źródeł i przerób go wstępnie zgodnie z wytycznymi dotyczącymi ochrony danych instytucjonalnych.
   3. Ustaw parametry algorytmu: przedział czasowy T = 10s, rundy próbkowania h = 20, a próbki danych n = 1000.
   4. Podziel dane na zestawy treningowe (80%) i testowe (20%) za pomocą stratyfikowanego próbkowania.
2. Zweryfikowaj wydajność klasyfikacji binarnej.
   1. Przeprowadz pięciokrotną weryfikację krzyżową pod kątem niezawodności.
   2. Wytrenuj i testuj osiem klasyfikatorów: Drzewo Decyzyjne (DT), Naive Bayes (NB), Random Forest (RF), K-Nearest Neighbor (KNN), Adaptive Boosting (AdaBoost), Support Vector Machine (SVM), bagowanie oraz gradient boosting.
   3. Przebiegnij 100 epoch na model i zapisz precyzję, dokładność, przywołanie i wynik F1.
3. Zweryfikowaj wydajność klasyfikacji wieloklasowej.
   1. Klasyfikatory pociągów wykrywające DDoS, U2R, R2L, Probe oraz normalny ruch.
   2. Zaimplementuj pięć architektur DL (MLP, CNN, GRU, RNN i LSTM) z wykorzystaniem parametrów określonych w Tabeli 1.
   3. Porównaj wydajność za pomocą krzywych precyzji i przypomnienia oraz macierzy pomyłek dla każdej klasy.
4. Zweryfikowaj algorytm HMC.
   1. Zaimplementuj HMC z AdaBoost i Baggingiem jako strategiami zespołowymi.
   2. Rozkładaj problemy wieloklasowe na binarne podklasyfikacje za pomocą logiki hierarchicznej.
   3. Porównaj wyniki z modelami bazowymi dla typów ataków mniejszościowych (U2R, R2L).
5. Wprowadź symulację ataku.
   1. Wdroż wytrenowany model wykrywania zaufania na platformie testowym w chmurze.
   2. Tworzenie ataków UDP Flood i SYN Flood za pomocą hostów wielowirtualnych do atakowania przypisanych serwerów.
   3. Utrzymuj ruch ataków na poziomie około 30% przepustowości sieci.
   4. Śledź statystyki sieci (szybkość transmisji, długość sesji, częstotliwość dostępu do portów, nieprawidłowe połączenia).
   5. Błąd wykrywania pomiarów, fałszywe alarmy oraz średni czas reakcji systemu.

Results

Walidacja eksperymentalna i analiza wydajności

Walidacja oparta na chmurze

Aby przetestować efektywność i wykonalność proponowanego algorytmu, przeprowadzono testy symulacyjne w laboratorium kontrolowanej sieci. Weryfikacja została przeprowadzona na systemie operacyjnym Windows, a podstawowy algorytm jest kodowany w narzędziach programistycznych VC (Visual C++).

W przypadku danych eksperymentalnych wybral...

Discussion

Skuteczne wdrożenie tego protokołu wymaga kluczowych kroków w architekturze chmurowej. Prawidłowa konfiguracja kontrolera Ryu OpenFlow, poprawne skonfigurowanie reguł Open vSwitch oraz solidne tworzenie topologii wielowarstwowej są niezbędne, aby zapewnić pełne przechwycenie ruchu. Wybór Ryu jako kontrolera oraz Open vSwitch jako platformy przełączającej znacząco zwiększa praktyczną wartość systemu; Ich lekkie, modułowe i w pełni programowalne cechy czynią je idealnymi do monitorowania sieci w czasie rzeczywistym, dynami...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
AdaBoost (Biblioteka Nauczania Zespołowego)	Scikit-learn, Python	https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html	Oprogramowanie
Klasyfikator do pakowania	Scikit-learn, Python	https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.BaggingClassifier.html	Oprogramowanie
Kod oceny zaufania modelu chmurowego	Implementacja niestandardowa	Nie ma	Algorytm/Oprogramowanie
Konwolucyjne Sieci Neuronowe (CNN)	TensorFlow / PyTorch	https://www.tensorflow.org/tutorials/images/cnn	Oprogramowanie
Frameworki do głębokiego uczenia (MLP, RNN, LSTM, GRU)	TensorFlow / PyTorch		Oprogramowanie
Symulator sieci EstiNet	EstiNet Technologies	https://sites.google.com/view/estinet-network-simulator	Oprogramowanie
Kafka (platforma do strumieniowania danych)	Fundacja Apaczów	https://kafka.apache.org/	Oprogramowanie
KDD CUP 10% Danych	Repozytorium uczenia maszynowego UCI	http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html	Zbiór danych
Emulator mininetu	Projekt Mininet	Mininet 2.3.1	Emulacja sieci dla topologii SDN, przepustowości i symulacji mieszanych ataków.
Open vSwitch (OVS)	Open vSwitch Org	OVS 3.2.2	Wirtualny przełącznik implementujący kontrolę tablic przepływu oraz przekierowanie ruchu ataku.
OpenStack Cloud Platform	Fundacja Otwartej Infrastruktury	https://www.openstack.org/	Oprogramowanie chmurowe
Python 3.x	Python Software Foundation	https://www.python.org/downloads/	Język programowania
Ryu SDN Controller	NTT R& D	Ryu 4.34	Kontroler SDN do rejestrowania ruchu sieciowego w czasie rzeczywistym i świadomości sytuacyjnej.
Spark Streaming Framework	Fundacja Apaczów	https://spark.apache.org/docs/latest/streaming-programming-guide.html	Oprogramowanie
Visual C++ (VC++) Kompilator	Microsoft	https://visualstudio.microsoft.com/	Oprogramowanie
Stacja robocza Windows 11	Microsoft	Windows 11 Pro 23H2	System operacyjny używany do kompilacji modeli, treningu i testowania.