تشخیص ناهنجاری مبتنی بر یادگیری ماشین برای شبکه های بیسیم نسل پنجم و فراتر از آن

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.