رویکردی نوین مبتنی برالگوریتم یادگیری ماشین جهت افزایش دقت شناسایی حملات در شبکه های نرم افزار محور

معماری SDN در سال ۱۹۹۶ برای دستیابی به یک مدیریت در ارسال و دریافت ، برای کاربر در شبکه به وجود آمد. همانند شبکه های سنتی، معماری SDN نیز دارای مجموعه ای از تجهیزات شبکه از جمله سوئیچ ها ، مسیریاب ها و غیره می باشد. باید گفت که در این سیستم کنترلی قسمت هایی مانند سیستم عامل شبکه و برنامه های کاربردی وجود دارد که برای اطمینان خاطر از قابلیت همکاری و سازگاری آنها باید روی واسط استاندارد ( Openflow ) ایجاد شوند. از ویژگی های معماری SDN می توان به قابلیت برنامه ریزی مستقیم ، مدیریت مرکزی و پیکربندی شده به صورت برنامه ای ، مشاهده پذیری بهتر شبکه ، مقیاس پذیری عالی ، سازگاری با داده های بزرگ و... اشاره کرد. همانطور که گفته شد معماری SDN دارای مزیت های بسیاری است با این حال نمی توان از تهدیدات و حملات احتمالی چشم پوشی کرد. SDN ، قابلیت این را دارد که یک دید عمیق از شبکه ایجاد کند تا بتوان به راحتی تهدیدات امنیتی احتمالی و حملات سایبری را تشخیص داد. روش پیشنهادی در این پایان نامه شامل ارائه یک مکانیزم امنیتی نوین مبتنی بر الگوریتم های یادگیری ماشین در راستای کاهش تاخیر شناسایی حملات در شبکه های نرم افزار محور است. رویکرد پیشنهادی در این پایان نامه با وجود افزایش پیچیدگی نرم افزار و سخت افزار همواره قابلیت شناسایی سریع حملات را داشته و از طرفی منجر به سربار اضافی و کاهش سرعت کلی شبکه نمی گردد. نتایج پیاده سازی ها و شبیه سازی ها نشان می دهد که روش پیشنهادی منجر به کاهش زمان تاخیر شناسایی حملات، افزایش امنیت و دقت تشخیص حملات سایبری، کاهش سربار محاسباتی شبکه و در نهایت بهبود عملکرد و افزایش سرعت کلی شبکه می گردد.