Yazılım-tanımlı ağlar için uyarlanabilir bir saldırı tespit ve önleme sistemi tasarımı

Ağ trafiğindeki hızlı artış son zamanlarda az miktarda trafik verisini işleyen akış tabanlı saldırı algılama sistemlerinin önemine yol açmıştır Ayrıca bilinmeyen saldırıları tespit edebilen anomali tabanlı yöntemler de bu sistemlere entegre edilmiştir. Bu çalışmada, yarı denetimli öğrenme yaklaşımı ile denetimsiz derin öğrenme yöntemleri kullanılarak akış tabanlı verilerden anormal ağ trafiğinin (veya izinsiz girişlerin) saptanması üzerinde durulmaktadır. Daha açıkça belirtmek gerekirse, akış özellikleri kullanılarak bilinmeyen saldırıları tanımlamak için Otokodlayıcı ve Variational Otokodlayıcı yöntemleri kullanılmıştır. Yapılan deneylerde, tipik ve farklı saldırı türleri de dahil olmak üzere ağ trafiği verilerinden çıkarılan akış tabanlı özellikler kullanılmıştır. Bu yöntemlerin Alıcı İşletim Karakteristiği (ROC) ve ROC eğrisi altındaki alan ölçütlerine göre sonuçları hesaplandı ve Tek Sınıf Destek Vektör Makinesi ile karşılaştırıldı. ROC eğrileri çeşitli eşik değerlerinde yöntemlerin performansını analiz etmek için ayrıntılı olarak incelenmiştir. Deneysel sonuçlar, Varyasyonel Otokodlayıcı'nın çoğunlukla Otokodlayıcı ve Tek Sınıflı Destek Vektör Makinesi'nden daha iyi performans sergilediğini göstermektedir. Çalışmanın ikinci kısmında ise SDN mimarisinin sunuduğu imkanlardan faydalanarak bir anomali tabanlı saldırı tespiti yapabilen SAnDet mimarisi sunulmakta ve bunun Floodlight denenetleyici yazılımında uygulaması yapılmaktadır. İstatistik toplayıcı, anomali algılayıcı ve anomali önleme şeklide üç ana modülden oluşan bu sistemin ayrıntılı anlatımı yapılmaktadır. Daha açıkça belirtmek gerekirse, OpenFlow anahtarlardan toplanan akış özellikleri kullanılarak bilinmeyen saldırıları tanımlamak için Otokodlayıcının özel bir çeşidi olan RNN ve özellikle bir veri serisi girdi olarak verildiğinde başarılı sonuçlar üretebilen LSTM ağların özel bir çeşidi olan EncDecAD yöntemleri kullanılmıştır. Deneylerde, farklı saldırı türleri de dahil olmak üzere ağ trafik verilerinden çıkartılan akış tabanlı özellikler, zaman serisi olarak modellere girdi olarak verilir. ROC ve AUC ölçütlerine göre yöntemlerin sonuçları hesaplanır. ROC eğrileri çeşitli eşik değerlerinde yöntemlerin performansını analiz etmek için ayrıntılı olarak incelenir. Deneysel sonuçlar, EncDecAD'in RNN'den ve literatürde önerilen yöntemlerden daha iyi performans sergilediğini göstermektedir.