نموذج هجين للتعلم العميق المكاني-الزمني للكشف عن هجمات رفض الخدمة منخفضة وعالية المعدل في الشبكات المعرفة برمجياً

الملخص

تعدّ هجمات رفض الخدمة الموزعة (DDOS) أحد أبرز التهديدات الأمنية في بيئات الشبكات المعرفة برمجياً (SDN). تزداد صعوبة الكشف عند التعامل مع الهجمات منخفضة المعدل، مما يؤدي إلى ارتفاع معدلات الإيجابيات الكاذبة في العديد من أنظمة الكشف التقليدية التي تهمل الخصائص الزمنية والمكانية لحركة المرور.

يقترح هذا البحث إطار عمل موحّد متعدد الفئات موجه نحوSDN يعتمد على دمج الشبكات العصبية الالتفافية(CNN)  مع شبكات (BiLSTM) ثنائية الاتجاه، وآلية الانتباه متعددة الرؤوس Multi Head Attention)). تم تدريب النموذج وتقييمه باستخدام مجموعة بيانات هجينة ناتجة عن دمج مجموعتي البياناتCIC-IDS2017  وCIC-IDS2018.

تم تقييم الأداء باستخدام مقاييس.(Accuracy, Precision, Recall, F1-score) أظهرت النتائج تفوق نموذج CNN-BiLSTM-MultiAtt على كل من النماذج CNN  و BiLSTMوCNN-BiLSTM ، وذلك في كشف هجمات DDOS/DOS، حيث سجل النموذج 99.93% وفقاً لمقياس F1-Score.

على عكس الدراسات السابقة، يعالج النموذج هجمات DDOS وهجمات رفض الخدمةDOS  ذات المعدل المرتفع والمنخفض ضمن إطار عمل موحد متعدد الفئات موجه نحو SDN، مع تحسين ملحوظ في تخفيف الإنذارات الكاذبة بنسبة 96.34% مقارنةً بـ CNN، و75.97% مقارنةً بـ  BiLSTM، و70.46% مقارنةً بنموذج CNN-BiLSTM