Cyber securıty system for sdn envıronment to detect the dıfferent attacks by utılızed hybrıd method of deep learnıng technıques

Çağdaş ağlar, karmaşık ve kitlesel siber tehditlerle saldırılara maruz kaldıkça, geleneksel saldırı tespit sistemleri (IDS) değişen tehditlerle başa çıkamamaktadır. Bu araştırmanın odak noktası bu tür sınırlamalardır ve Yazılım Tanımlı Ağ (SDN) ortamlarında hızlı ve etkili saldırı tespiti için en uygun olan iki yeni derin öğrenme tabanlı çerçeve tanıtılmaktadır: (1) Rekabetçi Öğrenme Tabanlı Çok Dallı Hibrit Mimari ve (2) Çok Dallı Hibrit Algılama Ağı (MBHPN). Bu modeller bir araya geldiğinde, uyarlanabilir öğrenme, gerçek zamanlı entegrasyon ve bağlam analizi yoluyla gelişmiş tehditleri, özellikle Dağıtılmış Hizmet Reddi (DDoS) saldırılarını tespit edebilen akıllı ve ölçeklenebilir bir IDS platformu sunmaktadır. 3. Bölüm'de açıklandığı gibi ilk mimari, çok dallı bir mimaride Evrişimli Sinir Ağları (CNN), Kapsül Ağları ve Uzun Kısa Süreli Bellek (LSTM) katmanlarını birleştirir. CNN'ler uzamsal bağımlılıkları kodlar, Kapsül Ağları özellikler arasındaki hiyerarşik ilişkileri korur ve LSTM'ler trafik akışlarının sıralı davranışlarını tanımlar. Çerçeve ayrıca, saldırıları taklit etmek için saldırgan örneklerin üretildiği ve böylece model sağlamlığının artırıldığı Dinamik Saldırgan Öğrenmeyi de içerir. Her dal, saldırı tespiti için özel olarak tasarlanmış, entegre ve ayırt edici bir özellik alanı oluşturmak üzere dikkat ağırlıklı yöntemler kullanılarak birleştirilen benzersiz bir özellik gösterimi üretir. Bölüm 4'te, bu mimari, doğrudan DDoS saldırı tespiti için optimize edilmiş MBHPN'nin eklenmesiyle zenginleştirilmiştir. Bu ağ, üç derin öğrenme dalını birleştirir: MLP, DenseNet benzeri ve ResNet benzeri birimler. Gürültülü özellikleri aşağı düzenlemek ve ilgili trafik imzalarını yukarı düzenlemek için Dinamik Özellik Uyarlaması (DFA) ekler. Bağımsız örnekler yerine toplu trafik akışlarını işlemek için Çoklu Örnek Öğrenmesi (MIL) ekler ve böylece bağlamsal algıyı büyük ölçüde geliştirir. Bu iyileştirmeler, MBHPN'yi sınıf dengesizliğine, kaçınma saldırılarına ve gerçek ağlarda yaygın olan değişen saldırı kalıplarına karşı dayanıklı hale getirir. Modeller, çeşitli trafik kalıpları ve saldırı koşulları içeren UNSW-NB15, CICIDS2017 ve CSE-CIC-IDS2018 olmak üzere üç saldırı tespit kıyaslama veri kümesi üzerinde eğitilmiş ve test edilmiştir. Kapsamlı deneylerle kanıtlanan modeller, mevcut durumdan daha iyi performans göstermektedir. UNSW-NB15 veri kümesinde MBHPN, %99,31 doğruluk, %98,02 hassasiyet, %98,87 geri çağırma ve %98,44'lük bir F1 puanı bildirmektedir; yanlış pozitif oranı (FPR), temel modelin orijinal %1,12 FPR'sinden %0,61'e düşmüştür. Çıkarım için gereken süre 7,8 ms'den 5,3 ms'ye düşürülmüştür; bu da SDNetc entegrasyonundan kaynaklanan hızda %32'lik bir artışı yansıtmaktadır.