АДАПТИВНЫЙ ГИБРИДНЫЙ АЛГОРИТМ ПРОГНОЗИРОВАНИЯ КИБЕРАТАК В СРЕДНИХ ПО РАЗМЕРУ ИКТ‑СЕТЯХ НА ОСНОВЕ SDN
Ключевые слова:
Software-Defined Networking (SDN); прогнозирование кибератак; обнаружение аномалий; Random Forest; LSTM; обучение с подкреплением (Reinforcement Learning); федеративное обучение (Federated Learning); средние по размеру информационно-коммуникационные системы.Аннотация
Широкое внедрение технологии Software-Defined Networking (SDN) в инфокоммуникационных системах среднего масштаба повышает гибкость управления сетью, однако централизованный контроллер становится уязвимой точкой для кибератак. Для прогнозирования атак в SDN-сетях предложены методы на основе Machine Learning, Deep Learning, статистического анализа, Reinforcement Learning и Federated Learning. Тем не менее большинство из них не полностью удовлетворяет требованиям реального времени, ресурсоэффективности и адаптивности. В статье представлен аналитический обзор существующих подходов и предложен гибридный адаптивный фреймворк KBGM, объединяющий статистический анализ, Random Forest, LSTM, RL и FL, обеспечивающий высокую точность и эффективность.
Библиографические ссылки
Alqahtani, A., Alshammari, M., & Alshamrani, A. (2023). Machine learning-based hujumlarni aniqlash in SDN: A comprehensive review. IEEE Access, 11, 23456–23478. https://doi.org/10.1109/ACCESS.2023.3256789
[2] Kumar, S., & Singh, P. (2022). Random forest-based anomaly detection for SDN-enabled networks. Journal of Network and Computer Applications, 201, 103389. https://doi.org/10.1016/j.jnca.2022.103389
Zhang, Y., Li, H., & Wang, X. (2023). LSTM-based DDoS attack prediction in SDN using flow statistics. Computers & Security, 124, 102987. https://doi.org/10.1016/j.cose.2022.102987
Chen, L., & Liu, Z. (2024). Deep packet inspection in SDN using CNN for malicious payload detection. IEEE Transactions on Network and Service Management, 21(1), 456–468. https://doi.org/10.1109/TNSM.2023.3345678
Wang, J., Zhao, M., & Xu, R. (2024). A hybrid CNN–LSTM model for real-time DDoS attack prediction in SDN. Future Generation Computer Systems, 151, 123–135. https://doi.org/10.1016/j.future.2023.08.012
Rahman, M. S., Hossain, M. S., & Rahman, M. M. (2023). Entropy-based anomaly detection in SDN: A case study on ARP spoofing. Security and Communication Networks, 2023, Article ID 6689012. https://doi.org/10.1155/2023/6689012
Li, X., Yang, K., & Zhang, T. (2025). Reinforcement learning for proactive threat mitigation in SDN. ACM Transactions on Privacy and Security, 28(2), 1–25. https://doi.org/10.1145/3623456
Nguyen, T., Tran, H., & Pham, Q. (2024). Federated learning for hujumlarni aniqlash in distributed SDN environments. IEEE Internet of Things Journal, 11(5), 7890–7902. https://doi.org/10.1109/JIOT.2023.3341234
Gupta, D., Sharma, A., & Agarwal, S. (2023). Real-time hujumlarni aniqlash system for SDN using Ryu kontroller and machine learning. International Journal of Network Management, 33(2), e2345. https://doi.org/10.1002/nem.2345
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Sodiq Jumayev
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
