Использование адаптивных алгоритмов машинного обучения для предупреждения об информационных рисках и осведомлённости о сценариях сетевой безопасности в облачных вычислениях

Summary

В статье предлагается новое решение адаптивной сетевой безопасности на основе машинного обучения (ML) в облачной системе, интегрирующее иерархическую многометочную классификацию и систему динамической оценки доверия для повышения точности обнаружения угроз и снижения числа ложноположительных результатов.

Abstract

В данном исследовании предлагается новая концепция для ситуационной осведомлённости и предупреждения о рисках в облачных вычислениях с интеграцией адаптивного машинного обучения (ML), иерархической многометочной классификации (HMC) и динамического механизма оценки доверия на основе облачной модели. Сложность, разнообразие и реальный характер новых кибератак — таких как эксплойты нулевого дня, распределённый отказ в обслуживании (DDoS) и ботнеты — создают серьёзные вызовы для традиционных методов обнаружения на основе правил и статического обнаружения. Для решения этих проблем мы разработали эффективную облачную архитектуру на базе SDN, используя контроллер Ryu OpenFlow и коммутаторы OpenFlow. Эта архитектура обеспечивает сбор информации о каналах в реальном времени, динамическое планирование и масштабируемую, надёжную передачу данных. Предлагаемая иерархическая система классификации может разбивать задачи мультикласса на бинарные задачи, смягчая эффект дисбаланса выборок и улучшая распознавание низкочастотных атак, включая User to Root (U2R). Методы ансамблевого обучения, включая AdaBoost и Bagging, дополнительно повышают точность обнаружения мелких типов атак. Эксперименты, проведённые на DDoS-наборах данных, облачных данных и симуляциях в Mininet и EstiNet, демонстрируют, что совместный подход ML-HMC-trust значительно повышает точность обнаружения, снижает ложные срабатывания и обеспечивает реагирование в реальном времени. Эти результаты подтверждают, что интеграция адаптивного обучения, иерархической классификации и динамической оценки доверия обеспечивает надёжное и масштабируемое решение для обеспечения безопасности крупномасштабных облачных платформ.

Introduction

С широким применением облачных вычислений в различных отраслях масштаб и объём данных в информационных системах быстро растут, а сетевые угрозы становятся всё более сложными, скрытыми и динамичными ^1,2. Традиционные механизмы защиты безопасности, основанные на правилах и статических моделях, больше не способны удовлетворять требованиям обнаружения в реальном времени с точным ранним предупреждением при столкновении с изменяющимися стратегиями атак, уязвимостями нулевого дня и крупномасштабными распределёнными^{атаками 3}. Таким образом, использование адаптивных алгоритмов машинного обучения для полной интеграции возможностей распределённой обработки данных и интеллектуального анализа в облачных вычислительных платформах с целью достижения комплексного понимания ситуации с сетевой безопасностью и эффективного раннего предупреждения о информационных рисках представляет собой критическую задачу в современном ландшафте информационной^{безопасности 4}. Это исследование не только имеет важное теоретическое значение для улучшения существующей системы защиты, но и обеспечивает сильную поддержку для обеспечения безопасности национальной ключевой информационной инфраструктуры и корпоративных основных^{данных 5}.

Существует множество проблем при реализации осведомлённости о ситуации сетевой безопасности и предупреждения о рисках информации в облачных вычислениях: типы данных, агрегированные в облачной платформе, многочисленны, а источники сложны, что делает задачи предварительной обработки данных, извлечения функций и слияния всё более сложными; В условиях растущего сетевого трафика и быстро меняющихся сценариев атак система обязана реагировать в очень короткие сроки, а обнаружение и предупреждение в реальном времени стали техническими узкими местами; объём обычного трафика сильно отличается от трафика атаки, а традиционные алгоритмы имеют низкую точность при обработке небольших выборочных категорий (таких как U2R, сетевые атаки и т.д.), и существует большой риск ошибок; В сложной сетевой среде доверительные отношения зависят от множества факторов и являются случайными и^{неопределёнными 6,7}. Традиционные методы оценки доверия, основанные на фиксированных порогах, трудно отразить реальное состояние и легко мешают аномальные данные. Для решения этих многомерных ограничений исследование представляет интегрированный фреймворк, который синергирует адаптивное машинное обучение, иерархическую многометочную классификацию и динамический механизм оценки доверия на основе облачных моделей. Это слияние методов, применяемых в облачной среде, управляемой SDN, выходит за рамки постепенной доработки, позволяя тонко распознавать низкочастотные атаки, адаптировать доверие в реальном времени и масштабировать ситуационную осведомлённость, чего существующие методы не достигли одновременно.

Облачные вычислительные среды генерируют огромный, высокодинамичный и разнородный сетевой трафик, из-за чего традиционные системы обнаружения вторжений (IDS) не способны точно определить сложные и меньшинственные типы атак, такие как U2R и R2L. Существующие решения IDS на базе глубокого обучения (DL) повышают точность обнаружения, но при этом страдают от больших вычислительных затрат, медленного реагирования в реальном времени и плохой обработки неопределённых или меняющихся доверительных отношений между сетевыми сущностями. Кроме того, большинство современных моделей работают как плоские классификаторы и не имеют механизмов для детального, иерархического принятия решений или динамической оценки доверия. Эти ограничения создают критический разрыв в разработке IDS, способного одновременно обеспечивать обнаружение в реальном времени, точное распознавание меньшинств и надежную оценку рисков с учётом доверия в крупномасштабных облачных средах.

В существующих исследованиях осведомлённости о ситуации безопасности сети и предупреждении о информационных рисках многие исследования используют такие методы, как K-ближайший сосед (KNN) и поддерживающая векторная машина (SVM), для классификации и обнаружения сетевого трафика. Эти алгоритмы обладают преимуществами высокой вычислительной эффективности и простотой реализации, особенно при предварительном скрининге больших объёмов данных ^8,9. Однако их основные недостатки проявляются в нескольких аспектах: при работе с большинством обычного трафика и небольшим количеством образцов атак в облачной среде традиционные методы машинного обучения часто игнорируют информацию из нескольких категорий, что приводит к низкому уровню распознавания мелких атак (таких как U2R, сетевые уязвимости и др.); Отдельные модели обычно чувствительны к шумам и выбросам данных, не способны адаптироваться к динамически меняющимся сценариям атак и склонны к перенагону или недостаточному^{обобщению 10,11}.

В последние годы методы DL, такие как многоуровневый перцептрон (MLP), CNN, рекуррентная нейронная сеть (RNN), сеть с долгой краткосрочной памятью (LSTM) и управляемый рекуррентный блок (GRU), всё чаще применяются в области сетевой безопасности. Благодаря мощным возможностям обучения функциям и нелинейного отображения в глубоких нейронных сетях, эти методы значительно повысили точность обнаружения и повысили возможность фиксировать сложные действия атак по сравнению с традиционным^{ML 12}. Однако у них высокие требования к вычислительным ресурсам и обучающим данным. Особенно в контексте трафика больших данных в облачных вычислениях есть потенциал для улучшения накладных расходов на обучение и скорость вывода в реальном времени. При выявлении классов с небольшим количеством выборок из-за дисбаланса данных модели DL имеют низкие показатели обнаружения некоторых мелких атак (например, U2R, ботнетов) из-за смещения^{классов 13}. Чтобы компенсировать ограничения одной модели при работе с дисбалансом данных и идентификацией мультиклассовых атак, некоторые исследования предлагали решения на основе ансамблевого обучения, такие как Bagging и Boosting, которые увеличивают общую точность прогнозирования за счёт объединения решений нескольких^{классификаторов 14}. В то же время архитектура Иерархической многоклассовой классификации (HMC) разбивает задачу классификации мультиклассов на несколько подзадач бинарной классификации, что обеспечивает более утончённое распознавание классов с меньшим числом выборок. Однако интегрированные модели часто сталкиваются с такими проблемами, как высокое использование вычислительных ресурсов и увеличение времени отклика во время развертывания, особенно в облачных системах мониторинга в реальном времени, где требования в реальном времени увеличивают нагрузку на^{системные ресурсы 15}.

В ответ на проблему динамической оценки доверительных отношений в сети некоторые исследования ввели теорию облачных моделей, которая строит облако принадлежности доверия, описывая нечеткость и случайность атрибутов доверия каждого объекта, а затем использует капли облака, энтропию, суперэнтропию и другие индикаторы для количественной^{оценки 16}. При работе с обновленными данными доверия сети в реальном времени скорость обновления и вычислительная эффективность существующих методов облачных моделей могут быть затруднены для выполнения требований высокочастотного динамического предупреждения; Модель высокочувствительна к оценочным данным, и аномальные данные или информация о шуме могут существенно влиять на общую оценку доверия, что влияет на последующие решения о предупреждении о рисках.

Учитывая многочисленные недостатки современных исследований в области точности обнаружения, производительности в реальном времени, обработки баланса данных и оценки доверия, в данной статье предлагается новая система защиты, которая комплексно использует адаптивные алгоритмы машинного обучения, иерархические стратегии многоклассовой классификации и оценку доверия облачных моделей для осведомлённости о ситуации сетевой безопасности и предупреждения о информационных рисках в облачных^{вычислениях 17}.

Исследование направлено на кибербезопасность в реальном времени для интеллектуальных корабельных сетей с использованием облачных вычислений¹⁸. Он предлагает многосенсорную структуру узлов для анализа данных на предмет вредоносных атак и использует самоисполняющиеся узлы стратегии защиты для перехвата угроз. Результаты показывают уровень обнаружения и защиты от проникновения вирусов на уровне 85-95%, а уровень ложноположительных результатов — 2,56%, что значительно превосходит другие алгоритмы. Однако такой подход требует больших вычислительных ресурсов и ограничений облачной инфраструктуры на практике. Аслан и ^др.19 предоставляют интеллектуальную систему обнаружения вредоносного ПО на основе поведения в облачных вычислениях. Он создал набор данных о вредоносном ПО на виртуальных машинах и использовал отдельные функции с агентами обнаружения на основе обучения и правил для классификации вредоносных и безобидных образцов. Оценка на 10 000 образцов программ показала высокую производительность с улучшением частоты обнаружения и FPR. Тем не менее, метод испытывал проблемы с масштабируемостью из-за постоянно меняющихся вариантов вредоносного ПО и облачных развертываний в масштабах и в реальном времени.

Несмотря на значительный вклад этих исследований, более подробное сравнение показывает, что большинство существующих решений не учитывают предположения и требования осведомленности о ситуации в реальном времени или модели динамического доверия в облачных средах. Традиционные методы машинного обучения предполагают фиксированные границы признаков, которые фиксированы в пространстве и не выполняют дисбаланс классов и высокодинамичную динамику^{трафика 8,9,10}. Модели DL связаны с отличными возможностями извлечения признаков, но потребляют большую вычислительную мощность, что делает процесс вывода медленным и непрактичным в мониторинге^{в реальном времени 12,13}. Подходы на основе ансамбля и HMC более точны, но требуют ещё большей задержки и ресурсов, и в настоящее время не внедряются в крупномасштабных^{облаках 14, 15}. В то же время методы оценки доверия к облачным моделям хорошо фиксируют неопределённость, но остаются очень чувствительными к шумным данным и не могут эффективно обновлять значения доверия при потоках атак^{с высокой частотой 16, 17, 18, 19}. Даже современные облачные IDS-фреймворки не имеют надёжной, интегрированной поддержки как обнаружения в реальном времени, так и принятия решений с учётом^{доверия 20,21}. Эти ограничения в совокупности подчёркивают необходимость эффективной, единой и доверительной системы обнаружения вторжений. Это исследование преодолевает эти ограничения, интегрируя адаптивную оценку динамического доверия на основе ML, HMC и облачных моделей в облачную архитектуру с поддержкой SDN, обеспечивая обнаружение в реальном времени, повышение точности для меньшинств и оценку рисков с учётом неопределённости.

Инновации этой статьи в основном отражены в следующих аспектах: эффективная распределённая сетевая архитектура на базе контроллера Ryu OpenFlow и коммутатора OpenFlow создана для обеспечения сбора и динамического планирования информации о каналах в реальном времени, что значительно повышает эффективность передачи и обработку данных.

Учитывая трудности, связанные с дисбалансом данных и идентификацией атак по малочисленным выборкам, разрабатывается фреймворк HMC сверху вниз, а также внедрены интегрированные методы обучения, такие как AdaBoost и Bagging, что значительно повышает точность обнаружения мелкозернистых категорий атак.

Теория облачной модели используется для создания облака аффилиации доверия. С помощью обратного генератора и расчёта сходства реализуется динамическая оценка статуса доверия каждого субъекта в сети, что обеспечивает количественную основу для предупреждения о рисках и эффективно подавляет кредитные спекуляции, вызванные аномальными операциями по низким или высоким ценам.

Protocol

ПРИМЕЧАНИЕ: Этот протокол описывает, как построить облачную систему ситуационной осведомлённости сетевой безопасности и реализовать иерархическую классификацию с помощью динамической оценки доверия. Следуйте следующим шагам для проектирования топологии облачной сети, сбора и аннотирования потоков данных, а также развертывания иерархических модулей многоклассовой классификации и оценки доверия. Рисунок 1 иллюстрирует предлагаемую SDN-облачную структуру, интегрирующую адаптивное машинное обучение, иерархическую классификацию и оценку доверия для обнаружения атак в реальном времени.

1. Проектирование топологии облачной сети

ПРИМЕЧАНИЕ: Перед продолжением работы убедитесь, что административный доступ к OpenStack, Ryu и Mininet.

1. Развернуть систему на облачной платформе, созданной на OpenStack. Используйте технологии виртуализации для создания нескольких виртуальных хостов и настройки программно-определённой сетевой среды (SDN) для унифицированного управления ресурсами и изолированного планирования.
2. Развернуть и настроить Ryu и Open vSwitch (OVS) для работы с управлением SDN и управлением трафиком.
3. Постройте трёхслойную топологию, где контроллер Ryu является ядром, а коммутаторы OVS — узлами пересылки, состоящими из уровня управления, уровня пересылки сети и уровня сервиса передачи данных.
   1. Конфигурация уровня управления: реализовать централизованный контроллер SDN с помощью Ryu. Включить мониторинг состояния сети в реальном времени с помощью REST API Ryu и подключить его к модулю обнаружения безопасности для быстрого реагирования на ненормальный трафик.
   2. Конфигурация слоя пересылки сети: Настройте несколько виртуальных коммутационных узлов OVS с виртуальными хостами и внешними шлюзами. Настройте политики таблицы потоков на OVS для обеспечения динамических изменений пути, разделения трафика и перенаправления потока при обнаружении трафика атаки.
   3. Конфигурация уровня сервисов данных: Настройте несколько виртуальных хостов на платформе OpenStack. Создавать виртуальные машины, выступающие в роли веб-, баз данных и файловых серверов для генерации реалистичного трафика данных и поддержки инжекционных потоков атак.
4. Добавьте несколько значений переходов и разные пути. Моделировать гетерогенные условия пропускной способности и задержки сети с помощью команды Mininet.
5. Установите Mininet для развертывания и моделирования топологии. Изолировать арендаторов, сегментацию подсетей и списки контроля доступа (ACL) с помощью CLI Mininet.
6. Проверьте конфигурацию, чтобы топология облегчала захват трафика в реальном времени и имела прямую интеграцию с модулем обнаружения.
7. Запишите завершённую архитектуру системы (рисунок 2) и топологию (рисунок 3) со всеми взаимосвязями между слоями и потоком информации.

2. Стратегия сбора потоков данных и аннотации

ВНИМАНИЕ: Обязательно соблюдайте требования по защите данных (например, GDPR, локальные политики кибербезопасности). Заранее анонимизируйте идентификаторы пользователей и IP-адреса.

1. Устанавливайте небольшие агенты сбора данных на каждый виртуальный хост и сетевой узл. Настройте каждого агента для постоянного анализа сетевого трафика, системных журналов и информации о поведении пользователей.
2. Установите Kafka (v3.5) в качестве очереди данных и Apache Spark streaming (v3.4) для обработки потоковых данных в реальном времени. Настройте пропускную способность Kafka на уровне 10 000 событий/с и выше, а микропакетный интервал Spark — 500 мс или меньше.
3. Обрабатывайте собранные данные последовательно следующим образом:
   1. Очищайте данные, чтобы устранить дублирующиеся записи, неполные записи и шум. Фильтруйте недействительные пакеты, проверяя заголовки протокола.
   2. Нормализуйте численные атрибуты до стандартного диапазона [0,1] с помощью минимальной нормировки для согласованного масштабирования признаков.
   3. Извлекать важные характеристики, включая IP-адреса источника/назначения, порты, тип протокола, количество пакетов, количество байт, задержку пересылки и измерения вариаций трафика.
4. Введите обработанный набор данных в модуль обнаружения с помощью искусственного интеллекта для обучения и валидации.
5. Создать систему двойной аннотации для точной маркировки данных:
   1. Создайте библиотеку шаблонов атак. Выявляйте распространённые паттерны атак (например, сканирование портов, SYN-флуд, DoS, U2R) с помощью сопоставления шаблонов на основе правил.
   2. Проверяйте неоднозначные образцы вручную, чтобы сохранить согласованность маркировки.
6. Используйте устоявшиеся эталонные наборы данных, такие как CIC-IDS2017 и NSL-KDD, для перекрёстной валидации. Выравнивайте метки для поддержания ≥90% согласованности между аннотаторами.
7. Выполните инженерию признаков для построения структурированных входных векторов. Кодировать иерархии атак на основе многоуровневых определений категорий.
8. Разделите наборы данных на 80% обучение и 20% тестирование.

3. Интегрированная архитектура иерархической классификации и оценки доверия

1. Постройте интеллектуальную архитектуру восприятия, интегрирующую иерархическую многоклассовую классификацию (HMC) и динамический механизм оценки доверия (рисунок 4).
2. Реализуйте модуль HMC по стратегии «грубый к мелкому»:
   1. Используйте лёгкие функции соединения (например, частоту, распределение портов, тип протокола) для классификации трафика на «нормальные» и «ненормальные» категории.
   2. Для «аномального» трафика выполняйте классификацию второго уровня в категории атак, такие как DDoS, U2R, R2L и Probe, используя статистические характеристики среднего уровня, такие как интервал пакетов и размер полезной нагрузки.
   3. Выявляйте детализированные подтипы (например, TCP SYN Flood, SQL Injection, Brute Force Attack) анализируя подписи атак и атрибуты целей.
3. Оптимизируйте модуль классификации.
   1. Применяйте методы ансамблевого обучения AdaBoost и Bagging, строя 5-8 слабых классификаторов на каждом уровне иерархии (например, дерево решений, логистическая регрессия).
   2. Объединяйте результаты классификаторов с использованием взвешенного большинства голосования на основе точных показателей.
4. Реализовать модуль оценки динамического доверия с использованием теории облачных моделей:
   1. Постоянно следите за поведенческими индикаторами хозяина, например, прошлой стабильностью, частотой коммуникации и вариациями целей доступа.
   2. Включить достоверность выходных моделей в расчёт доверия. Оцените фактический рейтинг доверия (от 0 до 1) с помощью параметров ожидания (Ex), энтропии (En) и гиперэнтропии (He).
5. Настройте механизм обратной связи между модулями HMC и доверия.
   1. Системы автоматического планирования на основе значений доверия: изолировать хосты с доверием ≤ 0.3 и уменьшить привилегии хостов с доверием 0.3-0.6.
   2. Переобучите классификатор с данными хоста с доверительным ≥ 0.8, чтобы повысить обнаружение и гибкость к неизвестным атакам.
6. Проверьте возможность реагирования в режим нулевого дня. Внедрите немаркированный вредоносный трафик и убедитесь, что оповещение и изоляция активированы в течение 10 минут.

4. Расчёт и реализация модели доверия облака (рисунок 5)

1. Генерация стандартного доверия в облаке:
   1. Разделите значения доверия на n отдельных уровней (например, «Низкий», «Средний», «Высокий», «Очень низкий» и «Очень высок»).
   2. Вычислите ожидание (Ex_k) для уровня k на основе среднего значения оценок доверия для сущностей этого уровня с помощью уравнения 1:
      
      где T_ik представляет индивидуальные значения доверия сущностей, классифицированных под уровнем доверия L_k.
   3. Вычислите энтропию (En_k) для количественной оценки нечеткости значений доверия в пределах уровня L_k с помощью уравнения 2:
      
      где α — это константа, контролирующая уровень размытости.
   4. Вычислите гиперэнтропию (He_k) с помощью уравнения 3 для количественной оценки нестабильности энтропии во времени:
      
      где β — параметр, регулирующий уровень неопределённости.
   5. Выведите набор стандартных облаков доверия C₁,_{C 2},...,C_n , соответствующих n уровням доверия.
2. Обратная генерация облака атрибута доверия:
   1. Нормализуйте входные атрибуты доверия A_i в диапазоне [0,1] с помощью уравнения 4:
      
      Применим статистический анализ для оценки соответствующих параметров модели облака (Ex, En, He) для каждого нормализованного атрибута A_i'.
      Сгенерируйте облако атрибута доверия C_i для каждого атрибута.
3. Комплексная оценка доверия:
   1. Вычислите цифровые свойства композитного облака доверия (Ex_com, En_com, He_com) с помощью взвешенного синтеза (уравнения 5-7):
      
      
      
      где
   2. Вычислите сходство между текущим облаком доверия C_i и стандартным облаком C_k с помощью уравнения 8:
      
      Определите окончательный уровень доверия L^* , найдя максимальное сходство с помощью уравнения 9:
      
4. Обновление динамического доверия
   1. Обновите значение доверия, чтобы отражать эволюцию во времени с помощью модели затухания во времени в уравнении 10:
      
      где λ∈[0,1] определяет вес недавнего и исторического доверия.
   2. Применяйте механизм штрафа за траст, если возникают конкретные отклонения. Вычислите отклонение (ΔA) и коэффициент штрафа_{(штраф P}) с помощью уравнений 11 и 12:
      
      
   3. Вычислите обновлённое значение доверия с помощью уравнения 13:
      

5. Экспериментальная валидация эффективности обнаружения атак

1. Настройте экспериментальную среду и подготовьте набор данных.
   1. Используйте рабочую станцию Windows 11, оснащённую инструментами Visual C++ для компиляции и тестирования алгоритмов.
   2. Получите набор данных KDDCUP_10% из проверенных источников и предварительно обработайте его в соответствии с рекомендациями по защите данных учреждения.
   3. Задайте параметры алгоритма: интервал времени T = 10s, раунды выборки h = 20, а выборки данных n = 1000.
   4. Разделить данные на обучающие (80%) и тестовые (20%) наборы с помощью стратифицированной выборки.
2. Валидация производительности бинарной классификации.
   1. Проведите пятикратную перекрёстную валидацию на надёжность.
   2. Обучайте и протестируйте восемь классификаторов: Дерево принятия решений (DT), Наивное Байес (NB), Случайный лес (RF), K-ближайший сосед (KNN), Адаптивное бустинг (AdaBoost), Машина опорного вектора (SVM), Пакетирование и Градиентное усиление.
   3. Запускайте по 100 эпох на каждую модель и фиксируйте точность, точность, воспоминание и результат F1.
3. Проверьте производительность мультиклассовой классификации.
   1. Используйте классификаторы для обнаружения DDoS, U2R, R2L, зонда и обычного трафика.
   2. Реализовать пять архитектур DL (MLP, CNN, GRU, RNN и LSTM) с использованием параметров, указанных в Таблице 1.
   3. Сравнивайте производительность с помощью кривых точности воспоминания и матриц путаницы для каждого класса.
4. Проверьте алгоритм HMC.
   1. Реализуйте HMC с AdaBoost и Bagging как ансамблевые стратегии.
   2. Разбивайте задачи с множеством классов на бинарные подклассификации с помощью иерархической логики.
   3. Сравните результаты с базовыми моделями для типов атак меньшинств (U2R, R2L).
5. Реализуйте симуляцию атак.
   1. Развернуть обученную модель обнаружения доверия на облачной тестовой платформе.
   2. Создавать атаки UDP Flood и SYN Flood с использованием мультивиртуальных хостов для атаки на назначенные серверы.
   3. Держите трафик атаки в пределах 30% от пропускной способности сети.
   4. Отслеживайте статистику сети (скорость передачи, длительность сессии, частота доступа к порту, аномальные соединения).
   5. Измеряйте ошибку обнаружения, ложноположительные результаты и среднее время отклика системы.

Results

Экспериментальная валидация и анализ производительности

Облачная валидация

Для проверки эффективности и целесообразности предлагаемого алгоритма симуляционные тесты проводились в лабораторных условиях контролируемой сети. Проверка проводилась на операционной системе Windows, а основной алгоритм запрограммирован в инструментах программирования VC (Visual C++).

В случае экс...

Discussion

Эффективное внедрение этого протокола зависит от критически важных шагов внутри облачной архитектуры. Правильная конфигурация контроллера Ryu OpenFlow, правильная настройка правил Open vSwitch и надёжное формирование многоуровневой топологии необходимы для полного захвата трафика. Выбор Ryu в качестве контроллера и Open vSwitch в качестве платформы для коммутации значительно усиливает практическую ценность системы; Их лёгкие, модульные и полностью программируемые характеристики делают их...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
AdaBoost (Библиотека ансамблевого обучения)	Scikit-learn, Python	https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html	Программное обеспечение
Классификатор упаковки	Scikit-learn, Python	https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.BaggingClassifier.html	Программное обеспечение
Код оценки доверия к облачным моделям	Пользовательская реализация	Н/Д	Алгоритм/Программное обеспечение
Сверточная нейронная сеть (CNN)	TensorFlow / PyTorch	https://www.tensorflow.org/tutorials/images/cnn	Программное обеспечение
Фреймворки глубокого обучения (MLP, RNN, LSTM, GRU)	TensorFlow / PyTorch		Программное обеспечение
Симулятор сети EstiNet	EstiNet Technologies	https://sites.google.com/view/estinet-network-simulator	Программное обеспечение
Kafka (платформа потоковой передачи данных)	Фонд Apache	https://kafka.apache.org/	Программное обеспечение
Набор данных KDD CUP 10%	Репозиторий машинного обучения UCI	http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html	Набор данных
Эмулятор Mininet	Проект Mininet	Mininet 2.3.1	Эмуляция сети для топологии SDN, пропускной способности и симуляции смешанных атак.
Open vSwitch (OVS)	Open vSwitch Org	OVS 3.2.2	Виртуальный коммутатор, реализующий управление таблицей потоков и перенаправление трафика атаки.
Облачная платформа OpenStack	Фонд открытой инфраструктуры	https://www.openstack.org/	Облачное программное обеспечение
Python 3.x	Фонд программного обеспечения Python	https://www.python.org/downloads/	Язык программирования
Контроллер Ryu SDN	NTT R& D	Рю 4.34	SDN-контроллер для фиксации сетевого трафика в реальном времени и осведомлённости о ситуации.
Spark Streaming Framework	Фонд Apache	https://spark.apache.org/docs/latest/streaming-programming-guide.html	Программное обеспечение
Visual C++ (VC++) Compiler	Microsoft	https://visualstudio.microsoft.com/	Программное обеспечение
Рабочая станция Windows 11	Microsoft	Windows 11 Pro 23H2	ОС используется для компиляции, обучения и тестирования моделей.