چکیده مقاله
حملات محروم سازی از سرویس توزیع شده DDoSبه عنوان یکی از مخرب ترین تهدیدات فضای سایبری، با تکامل مستمر الگوهای حمله، روش های دفاعی سنتی را با چالش جدی مواجه ساخته اند سیستم های دفاعی موجود اغلب فاقد هوشمندی، پویایی و دید جامع نسبت به وضعیت شبکه هستند و با تخصیص ایستای منابع، در شرایط حمله نه تنها پاسخگوی موثر نیستند، بلکه موجب محرومیت کاربران قانونی از سرویس می شوند در این پژوهش، یک چارچوب دفاعی بلادرنگ مبتنی بر یادگیری تقویتی عمیق Deep Q Networkبرای تخصیص پویای منابع در لبه شبکه طراحی و پیاده سازی شده است عامل هوشمند با تعامل پیوسته با محیط شبکه و دریافت پاداش از عملکرد خود، سیاست بهینه تخصیص منابع را بدون نیاز به داده های برچسب گذاری شده تاریخی، به صورت برخط یاد می گیرد شبیه سازی ها با استفاده از ابزار iFogSim در سناریوهای مختلف حمله حجمی، لایه کاربرد و ترکیبیانجام شده است یافته ها نشان می دهد که چارچوب پیشنهادی در مقایسه با روش های سنتی ایستا، مبتنی بر آستانه و قانون محوربه ترتیب موجب افزایش ۳۴ ۲ درصدی نرخ پاسخ دهی به درخواست های قانونی، کاهش ۵۲ ۱ درصدی میانگین تاخیر پاسخ، افزایش نرخ تشخیص حملات به ۹۶ ۲ درصد و کاهش نرخ هشدار اشتباه به ۳ ۱ درصد گردیده است همچنین استقرار عامل در لبه شبکه، تاخیر تصمیم گیری را تا ۸۷ ۳ درصد کاهش داده و توانایی تطبیق با حملات روز صفر را در کمتر از ۱۵ ثانیه فراهم آورده است تحلیل آماری با آزمون ANOVA P Value < ۰ ۰۵نشان دهنده معناداری آماری تمامی بهبودهای عملکردی است این پژوهش نشان می دهد که ترکیب یادگیری تقویتی عمیق و رایانش لبه، راهکاری موثر و کارآمد برای دفاع پویا در برابر حملات پیچیده DDoS ارائه می دهد و می تواند به عنوان جایگزینی هوشمند برای سیستم های دفاعی سنتی در زیرساخت های حیاتی مورد استفاده قرار گیرد
کلیدواژهها
نویسندگان
کاظم حسن زاده
کارشناسی ارشد مهندسی کامپیوتر، نرم افزار، دانشگاه آزاد واحد علوم و تحقیقات، بروجرد، ایران
شیوه ارجاع
�سن زاده، کاظم،1404،طراحی و پیاده سازی یک چارچوب دفاعی بلادرنگ بر اساس یادگیری تقویتی عمیق برای تخصیص پویای منابع در مقابله با حملات محروم سازی از سرویس (DDoS)،سیزدهمین همایش ملی تحقیقات میان رشته ای در علوم مهندسی و مدیریت،تهران
ارائهشده در
مجموعه مقالات سیزدهمین همایش ملی تحقیقات میان رشته ای در علوم مهندسی و مدیریت25 اسفند 1404 · تهران