چکیده مقاله
امنیت سایبری در چند سال گذشته به طور فزاینده ای اهمیت یافته است و با افزایش استفاده گسترده از فناوری، جرایم سایبری و حملات سایبری نیز افزایش یافته است شبکه های ۵G پیچیدهتر و مقیاس پذیرتر از شبکه های نسلهای قبلی هستند این امر باعث افزایش احتمال وقوع ناهنجاریهای شبکه میشود ناهنجاریها میتوانند باعث کاهش عملکرد شبکه، قطعی سرویس و حتی آسیب به تجهیزات شبکه شوند برای تشخیص ناهنجاریهای شبکه در ۵G، نیاز به یک معماری بازرسی شبکه خود تطبیقی است این معماری باید بتواند به طور خودکار به تغییرات شبکه و شرایط محیطی سازگار شود برای دستیابی به تشخیص موثر ناهنجاری شبکه، سیستمی را پیشنهاد می کنیم که از دو VNF تشکیل شده است: تشخیص علائم ناهنجاری ASD و تشخیص ناهنجاری شبکه NAD اولی در زیرساخت شبکه دسترسی رادیویی RAN واقع شده است این بر جستجوی سریع علائم ناهنجاری با استفاده از بازرسی تجمعات جریان شبکه متمرکز است در اینجا، یک علامت هر اثر یا نشانه ای از ناهنجاری در ترافیک شبکه است که توسط UE های متصل به RAN ایجاد می شود دومی جمع آوری کننده نشانه های مهر زمانی و مرتبط با RAN است، که در آن یک فرآیند مرکزی جدول زمانی و رابطه بین این علائم را برای شناسایی هرگونه ناهنجاری شبکه تجزیه و تحلیل می کند هنگامی که یکناهنجاری ایجاد شد، بلافاصله به ماژول مانیتورینگ و تشخیص اطلاع داده می شود برای تشخیص ناهنجاری با استفاده از شبکههای عصبی ، ابتدا تشخیص ناهنجاری را با استفاده از DBN و SAE انجاممیدهیم، سپس مدل سیستم و نتایج بدست آمده را بررسی میکنیم استفاده از شبکه ی LSTM در قسمت تشخیصعلایم ناهنجاری را مورد بررسی قرار میدهیم ،مدل سیستم را توصیف کرده ،که هدف از این شبکه بررسی اولیه ی دقتتشخیص ناهنجاری است در آخر نتایج به دست آمده از شبیه سازی ارزیابی میشود
کلیدواژهها
نویسندگان
شیوه ارجاع
�سلامی، محسن و کوهستانی، علی و حیوت الغیبی، سیده حدیث،1402،تشخیص ناهنجاری مبتنی بر یادگیری ماشین برای شبکه های بیسیم نسل پنجم و فراتر از آن،دومین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی،همدان
ارائهشده در
مجموعه مقالات دومین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی28 بهمن 1402 · همدان