https://virgool.ir/feed/@razavi12000fa2026-11-12 08:25:40https://files.virgool.ir/upload/users/887309/avatar/avatar.pnghttps://virgool.ir/@razavi12000https://virgool.ir/@razavi12000/چارچوب-پیش-بینی-حملات-و-شکست-ها-برای-یک-شبکه-تلفن-همراه-5g-مشترک-yvqqpqu9gmtsچکیدهاگرچه فناوری های تلفن همراه در طول سالها پیشرفت می کنند ، مدیریت خطا و مدیریت امنیت سایبری در شبکه های تلفن همراه هنوز به عنوان مفاهیم جداگانه با بلوک های مختلف و رویکردهای مختلف در نظر گرفته می شوند در حالی که در عمل ، آنها بسیار با هم ارتباط دارند. در این مقاله ، ما چارچوبی را پیشنهاد می کنیم که همبستگی بین این دو سیستم مدیریت را در نظر می گیرد. چارچوب بر اساس چندین عامل پیش بینی است که در آن هر عامل از یک پیش بینی کننده امنیت ، یک پیش بینی کننده خطا و یک مدل تشخیص ناهنجاری عمومی تشکیل شده است. یک فرآیند اجرای مجدد امکان افزایش قابلیت اطمینان مراحل یادگیری ماشین و مراحل پیش بینی پیش بینی های مختلف را فراهم می کند. علاوه بر این ، هر نماینده می تواند با همسایگی خود برای یک شبکه مقاوم تر همکاری کند. کاربرد این چارچوب در معماری 5G با نگاشت اجزای چارچوب ما با برش های شبکه ارائه می شود. سرانجام ، آزمایشی بر روی یک بستر آزمایشی برگزار شد که ما در openstack راه اندازی کردیم تا ناهنجاری های آینده مربوط به اضافه بار پروکسی ، نقض تأخیر در عملکردهای شبکه جلسه تماس و استفاده بیش از حد از حافظه را پیش بینی کنیم. این آموزش با ARIMA و مدل های یادگیری عمیق با نتایج امیدوار کننده حاصل می شود.کلمات کليدیامنیت سایبری ، مدیریت خطا ، تشخیص ناهنجاری ، شبکه تلفن همراه ها ، مدیریت شناختی ، یادگیری ماشینیمقدمهبا تکامل فناوری های شبکه تلفن همراه ، خدمات جدیدی ارائه می شوند و شبکه های پیشرفته تری مورد نیاز است. افزایش تعداد کاربران اینترنت منجر به طراحی مجدد معماری شبکه می شود و طراحان را مجبور می کند پارامترهای جدیدی از جمله نیاز به پوشش جهانی همراه با تأخیر کم و همچنین قابلیت اطمینان و سطح امنیتی بالا را در نظر بگیرند. علاوه بر این ، تجارب جدید شبکه ای مانند Internetof-Things (IoT) که قول ارائه خدمات و امکانات جدید به زندگی روزمره مردم را دارند ، اضافه می شود. در این محیط طاقت فرسا ، فناوری 5G در حال ظهور است و یک تصمیم تعیین کننده است.نقش در اجرای چشم اندازهای جدید و نوید ارائه راه حل ها. یک نوآوری عمده که توسط فناوری 5G معرفی شده است مقیاس پذیری است. معماری های 5G نیاز احتمالی به گسترش قابلیت های شبکه را هم در سطح رشد ترافیک کاربر و هم در سطح ورودی خدمات جدید از ارائه دهندگان در نظر می گیرند.برش دادن می تواند راه حل ایده آل برای چنین شبکه هایی باشد ، مقیاس پذیری و همچنین انعطاف پذیری در مدیریت یک شبکه غول پیکر. تنظیم شبکه برش به عنوان ویژگی بارز 5G برای امکان اتصال و پردازش داده ها متناسب با نیازهای خاص مشتریان امکان پذیر است. ارتباطات سیار ارائه شده توسط شبکه های هوشمند باعث افزایش بهره وری از فرآیندهای تجاری و فرصت هایی را برای اپراتورهای شبکه فراهم می کند تا به طور موثرتری به بخش تجارت به تجارت بپردازند.معماری 5G به دلیل مجازی سازی شبکه با تعدادی از خطرات و چالش های امنیتی روبرو است. برای تحقق موفقیت آمیز اهداف پیش بینی شده ، این مسائل باید حل و فصل شود: هم از نظر مفهومی ، با تعریف واضح عملکرد و دامنه ویژگی های امنیتی و حریم خصوصی معماری و هم از نظر فنی ، با استفاده از مناسب ترین راه حل ها در طراحی معماری. علاوه بر این ، با توجه به طیف گسترده ای از عمودی ها (به عنوان مثال ، سلامت الکترونیکی ، خدمات اضطراری ، شبکه های هوشمند) ، جداسازی شدید برش های جداگانه حیاتی است. پیش بینی می شود که برش های زیرساختی 5G که توسط اپراتورهای مخابراتی ارائه می شوند ، جایگزین و تقویت زیرساخت های مهم قبلی شوند با استفاده از منابع اختصاصی بنابراین ، برش ها باید سطح دسترسی ، عملکرد و امنیت را فراهم کنند که حداقل برابر با زیرساخت هایی باشد که آنها جایگزین می کنند. به طور خاص ، این معماری باید تضمین کند که کنترل برش و صفحه داده نمی تواند توسط اشخاص خارجی یا عناصر قطعه مشترک میزبانی شود و باید حملاتی را که ممکن است داده های جزئی را در معرض اشخاص غیر مجاز قرار دهد ، شناسایی و کاهش دهد. این مشکل با درجه بالای مجازی سازی و اتوماسیون که انتظار می رود زیرساخت های 5G از آن استفاده کنند ، تشدید می شود. سازگاری قوی بین سطوح مختلف از انتزاع استفاده شده بنابراین ضروری است. برای این منظور ، معماری به سازوکارهای موثری برای نظارت و مدیریت مولفه های زیرساخت از انتها به انتها در چندین حوزه اداری نیاز دارد. جدا از چالش های امنیتی ، مجازی سازی عملکرد شبکه (NFV) چالش های قابل توجهی را در مورد مدیریت خطا از جمله خرابی شبکه ، ناهنجاری در تجهیزات و عملکرد شبکه ، تنزل کیفیت خدمات و همچنین نقض SLA. یکی از دلایل اصلی این است که توابع شبکه مجازی را می توان در هر مکان زیرساخت با اتصالات پویا مستقر کرد. از این رو ، وابستگی های اساسی یک سرویس شبکه ممکن است چندین بار در طول چرخه عمر سرویس تغییر کند که باعث می شود مدیریت خطا چالش برانگیزتر و رفتار انتشار خطا پیچیده تر شود.با وجود تکامل فن آوری های تلفن همراه و با وجود چالش های جدید ، مدیریت امنیت سایبری و مدیریت خرابی ها هنوز توسط بلوک های مختلف ساختمانی در معماری ها تعریف می شوند و این واقعیت رابط کاربری زیادی دارند. اولاً ، در زبان یادگیری ماشین ، هر دو به عنوان یک مشکل تشخیص ناهنجاری با تجزیه و تحلیل علت ریشه در نظر گرفته می شوند. تشخیص ناهنجاری [2] خانواده ای از تکنیک ها با هدف کشف مشاهداتی است که از اکثر داده های مشاهده شده منحرف می شوند. معمولاً ناهنجاری ها مربوط به وقایع حساس در دنیای واقعی است. به عنوان مثال ، یک تراکنش کارت اعتباری جعلی می تواند به عنوان ناهنجاری تعریف شود زیرا این به معنای هزینه های غیر مجاز از حساب است. یک رفتار نادرست یک تجهیزات شبکه ناهنجاری است زیرا باعث ایجاد انحراف به صورت معمول می شود. نفوذ اینترنتی ناهنجاری است زیرا به معنای دسترسی غیر مجاز یا ترافیک غیر عادی شبکه است. دوم ، می توان با ایجاد خرابی در تجهیزات شبکه ، یک حمله را به دست آورد. سوم ، به منظور شناسایی حملات و همچنین خرابی ها ، می توان از ویژگی های مشترک مانند مصرف انرژی ، انرژی فرسوده ، اضافه بار و غیره استفاده کرد. به همه این دلایل ، ما در این مقاله یک چارچوب شناختی را پیشنهاد می دهیم که شامل چندین عامل پیش بینی حمله و شکست است. (AFPA) این چارچوب با هدف اطمینان از انعطاف پذیری و امنیت شبکه های 5G با یک بلوک ساختاری مشترک که به عوامل امکان برقراری ارتباط و تعامل را می دهد ضمن بهره گیری از ویژگی های مشترک. چارچوب ما مبتنی بر یک فرایند اجرای مجدد است که به عوامل مختلف اجازه می دهد تا به طور مداوم یاد بگیرند و برای کارایی بیشتر با عوامل همسایه خود همکاری کنند. مشارکت دوم ما نقشه برداری از چارچوب AFPA با معماری 5G است.ساختار باقیمانده این مقاله به شرح زیر است: فرقه. 2 کار اصلی موجود در ادبیات راجع به خطا و مدیریت امنیت در شبکه های تلفن همراه را مرور می کند. بخش 3 چارچوب پیشنهادی AFPA را شرح می دهد. بخش 4 نقشه برداری از چارچوب AFPA و شبکه های 5G ما را شرح می دهد. بخش 5 بستر آزمایش و آزمایشات عددی را ارائه می دهد که هدف آنها ارزیابی عملکرد محلول ماست. سرانجام ، فرقه. 6 نتیجه گیری و کارهای آینده را شرح می دهد.موارد مرتبطچند کار تحقیقاتی در زمینه پرداختن به مسائل امنیت سایبری و خرابی شبکه در شبکه های بی سیم و تلفن همراه است. در ، نویسندگان تمرکز می کنند تا حملاتی را که منجر به از کار افتادن شبکه می شوند ، شناسایی کنند ، در حالی که از شناسایی بالا و نرخ مثبت کاذب در برابر حملات سایبری اطمینان حاصل می کنند. آنها مکانیسم مدیریت ریسک را برای کمک به کارشناس امنیت سایبری در ارزیابی ریسک امنیتی و خرابی شبکه پیشنهاد و توسعه می دهند. ویژگی های اصلی سازوکار مدیریت ریسک ، احتمال شکست ها و حملات است. نویسندگان همچنین برای تعریف سیستمی که ردیابی می کند که بتواند با به خطر انداختن دروازه ارتباط بین دستگاههای اینترنت اشیا و نقطه دسترسی ، ارتباط بین دستگاه های اینترنت اشیا و نقطه دسترسی را خراب کند ، به رویکرد احتمالی متکی هستند. آنها از احتمال افت بسته uplink دستگاه های اینترنت اشیا برای نظارت بر رفتار دروازه ای که با آن ارتباط دارند استفاده می کنند. با استفاده از آزمون نسبت احتمال کلی ، قاعده تشخیص را تعیین کنید ، جایی که احتمال حمله با استفاده از برآورد حداکثر احتمال تخمین زده می شود. در ، نویسندگان با هدف جلوگیری از خرابی های جدی شبکه ، حملاتی را که نقاط دسترسی را هدف قرار می دهند ، شناسایی می کنند. الگوریتم امنیت و نگهداری شبکه آنها برای جلوگیری از بروز حمله در حالی که از خرابی نقطه دسترسی شبکه جلوگیری می کند ، نیاز به هزینه کم دارد. این الگوریتم به مفهوم چند عامل متکی است ، در حالی که عوامل نظارت بین یکدیگر برای اطمینان از سطح بالایی از امنیت و نگهداری کارآمد شبکه همکاری می کنند. هدف نویسندگان این است که حملات سیاهچاله را شناسایی کرده و تأثیر آنها را بر روی داده ها و هواپیماهای کنترل پروتکل مسیریابی OLSR که هر گره به خود وابسته است شناسایی و جدا کند. در ، نویسندگان مکانیسم امنیتی و شبکه ای را برای جلوگیری از نقض احتمالی امنیت ، ازدحام شبکه یا حتی خرابی کامل شبکه پیشنهاد می کنند. این مکانیسم بر اساس یک تئوری نمودار برای شناسایی قوانین حمل و نقل است که باعث حلقه حمل و نقل ، نقض جریان (ناشی از حمله) در یک کنترل کننده توزیع شده در شبکه تعریف شده نرم افزار است. در ، نویسندگان با استفاده از رویکرد تصمیم گیری چند معیاره ، مسائل امنیتی و انعطاف پذیری را تجزیه و تحلیل می کنند. آنها مجموعه ای از فاکتورهای ساکن را تعریف کردند که برای تجزیه و تحلیل زیرساخت ها و سیستم های تحت نظارت استفاده می شود و از این رو سطح امنیت و مقاومت آنها را تعیین می کنند. به گفته نویسندگان ، روش تصمیم گیری پیشنهادی در مقایسه با رویکرد مبتنی بر الگوریتم های یادگیری ماشین ، از نظر سازگاری برای برنامه های زمان واقعی سازگارتر است زیرا در طی فرایند تجزیه و تحلیل به زمان کمی نیاز دارد. در ، نویسندگان لیستی از مسائل امنیتی و انعطاف پذیری را که می تواند در معماری 5G رخ دهد ، ارائه می دهند. به طور خاص مواردی که در اجرای NFV / SDN رخ داده است. به منظور غلبه بر این موضوعات مربوط به امنیت و انعطاف پذیری ، نویسندگان برای کارهای آینده خود سیستم های اعتماد و اعتبار را پیشنهاد می کنند که هدف آن ارزیابی و کمی سازی سطح مسائل امنیتی و انعطاف پذیری مربوط به هر یک از نظارت بر اجرای NFV / SDN است. در مورد مدیریت شناختی شبکه ، این موضوع به طور گسترده ای در ادبیات مطرح شده است. در این راه حل برای پیش بینی خرابی در شبکه های دسترسی رادیویی 4G و دقیق تر قطع تماس و مشکلات دسترسی با استفاده از تجزیه و تحلیل داده های کاربردی ارائه شده است. در این ، نویسندگان روش های مختلف آماری یادگیری ماشین را برای پیش بینی خرابی های آینده در شبکه های LTE مقایسه می کنند. نویسندگان در اینجا یک روش تجزیه و تحلیل علت اصلی را برای شناسایی و بررسی ناهنجاری های همسایه پر سر و صدا در توابع شبکه مجازی پیشنهاد می دهند. اتوماسیون مدیریت شناختی شبکه طی سالهای اخیر توسط چندین پروژه بزرگ اتحادیه اروپا تحت 5G PPP شناخته شده است. به عنوان مثال ، در مرحله 1 برنامه 5G PPP ، پروژه SelfNet یک شبکه مدیریت تعریف شده توسط نرم افزار (SDN) - / چارچوب مدیریت شبکه مبتنی بر مجازی سازی عملکرد شبکه (NFV) را برای قابلیت های پیشرفته شبکه خود سازمان دهنده (SON) پیشرفته در زیرساخت های 5G پیشنهاد می کند . به همین ترتیب ، یک پروژه 5G PPP فاز 1 دیگر CogNet همچنین راه حل های مدیریت شبکه مبتنی بر هوش مصنوعی / یادگیری ماشین (AI / ML) را هدف قرار داده و نمونه کارهایی از خدمات شامل جمع آوری داده ها و مدیریت خطا را فراهم می کند. علاوه بر این ، آثار مختلفی در ادبیات وجود دارد که جنبه های مختلف مدیریت شناختی را در محیط های نرم افزاری شبکه هدف قرار می دهند. به عنوان خلاصه ای از کاربرد تکنیک های ML / AI در محیط های SDN / NFV ، نویسندگان در بررسی چالش ها و فرصت های ML / AI در محیط های شبکه نرم ، با تمرکز ویژه بر تصمیم گیری مبتنی بر داده برای مدیریت و کنترل SDN / زیرساخت های مبتنی بر NFV. برای این منظور ، نویسندگان پیشنهاد می کنند که ابتدای عملکردی نظارت ، ترکیب و کنترل را با ماژول های ML افزایش دهند. همه این کارها ، در میان بسیاری دیگر ، مسیر را به سمت مدیریت شناختی شبکه ها ، به ویژه در حضور فناوری های SDN / NFV ، هموار می کند.ضعف عمده این کارها این واقعیت است که آنها راه حل هایی را برای پیش بینی حملات شبکه و / یا خرابی شبکه به طور جداگانه تعریف می کنند. به عبارت دیگر ، هیچ ارتباطی بین حملات شبکه و خرابی شبکه در نظر گرفته نشده است. نوآوری این مقاله این است که یک چارچوب دقیق پیش بینی حملات سایبری و شکست شبکه را پیشنهاد می کند که ارتباط بین این دو مفهوم را در نظر می گیرد. ما یک چارچوب پیش بینی کننده برای ادغام مدیریت امنیت با مدیریت خرابی ها برای یک شبکه مقاوم تر پیشنهاد می کنیم. ما آن را "عامل پیش بینی حملات و شکست ها" (AFPA) می نامیم.چارچوب پیش بینی حملات و شکست هاهدف از این چارچوب پیشنهاد چارچوبی کارآمد برای پیش بینی هوش مصنوعی برای پیش بینی حملات سایبری و خرابی های شبکه در آینده است ، در حالی که سطح بالایی از امنیت و انعطاف پذیری را در یک زمان پاسخ بهینه تضمین می کند. به طور خاص ، ما عامل پیش بینی حملات و شکست ها (AFPA) را پیشنهاد می کنیم که هدف آن شناسایی بیشترین حملات و خرابی های شبکه در طول زمان به روشی تعاملی و با یک فرایند اجرای مجدد برای مدیریت پیش بینی و پیشگیری شبکه است. عامل پیش بینی حملات و شکست ها می تواند در هر سیستم ، میزبان و عملکرد برای نظارت بر شبکه حملات و شبکه خرابی ها مستقر شود. این عوامل با یکدیگر ارتباط برقرار می کنند و برای تجزیه و تحلیل کارآمدتر با یکدیگر همکاری می کنند. هر AFPA به سه ماژول اصلی مجهز است که در شکل نشان داده شده است.ویژگی های ماژول مهندسیاین ماژول ابتدا بر نظارت بر رفتار شبکه متمرکز است. این مسئول استخراج متمایزترین ویژگی ها در طول زمان با تجزیه و تحلیل منابع مختلف مانند پرونده های ورود به سیستم ، شمارنده های کاوشگر ، تشخیص و پیش بینی نفوذ (IDS / IPS) ، دیوار آتش ، کنترل دسترسی و غیره است ... بعداً ، این ویژگی ها در سه خانواده دسته بندی می شوند:· ویژگی های حمله: آنها مجموعه ای از ویژگی ها هستند که به طور انحصاری برای تعیین حملاتی مانند DoS و Botnet ، میزان خطای ورود ناموفق ، میزان خطای سرور ، تعداد پیام هایی که رها می شوند ، ارسال و دریافت می شوند ، میزان تشخیص نادرست تولید شده توسط سیستم تشخیص نفوذ / سیستم پیشگیری از نفوذ (IDS / IPS) و تعداد مثبت کاذب که دیوار آتش ایجاد می کند.· ویژگی های خرابی: آنها مجموعه ای از ویژگی ها هستند که به طور انحصاری برای تعیین خرابی مانند درصد افت تماس ، نسبت تراکم ، تعداد کاربران در یک سلول ، تعداد بسته های پیوند دهنده / لینک دهنده ، نسبت سیگنال به نویز ، استفاده از پردازنده ، استفاده از حافظه ، ورودی شبکه ، خروجی شبکه ، سیگنال مرجع دریافت برق ، هشدارها و غیره· ویژگی های مشترک: آنها مجموعه ای از ویژگی ها هستند که معمولاً برای پیش بینی حملات و همچنین برای پیش بینی شکست ها استفاده می شوند. نمونه هایی از این ویژگی ها عبارتند از: مصرف انرژی ، انرژی فرسوده ، اضافه بار ، محاسبات و سربار ارتباطات ، تداخل و ...به منظور طبقه بندی ویژگی ها در این سه خانواده ، اولین امکان متکی بر تکنیک های طبقه بندی یادگیری ماشین است که می تواند برای تغذیه خودکار و طبقه بندی بردارهای ویژگی ها مورد استفاده قرار گیرد. این راه حل ممکن است برای رسیدن به هدف خود به یک محاسبه و ارتباطات بالا نیاز داشته باشد. بنابراین ، یک امکان ساده تر ، استفاده از یک رویکرد ایستا است که متکی به امنیت سایبری و متخصصان شبکه باشد که با گذشت زمان مناسب ترین و جذاب ترین ویژگی ها را برای به حداکثر رساندن شناسایی حملات و خرابی ها و کاهش نرخ مثبت کاذب ، تغذیه می کنند. به منظور تعریف لیست ویژگی ها به عنوان کلید و خانواده آنها به عنوان مقادیر ، می توان از یک فرهنگ لغت استفاده کرد. این راه حل اجازه می دهد تا از تخصص مهندسان بهره مند شوید. علاوه بر این ، این که تعریف ویژگی های شبکه به طور مکرر تغییر نمی کند ، استفاده از گزینه فرهنگ لغت را سودمندتر می کند ، زیرا دسترسی به داده ها آسان تر است.ماژول پیش بینیاین ماژول به طور عمده بر پیش بینی خرابی های شبکه و حملات شبکه بر اساس خروجی های ماژول قبلی متمرکز است. این بر اساس الگوریتم های یادگیری ماشین برای پیش بینی ناهنجاری با یک فرایند اجرای مجدد است. همانطور که در شکل 1 نشان داده شده است ، ما سه بلوک اصلی را تشخیص می دهیم. اولین بلوک مدل یادگیری ماشین پیش بینی حملات (ML) است که مسئول پیش بینی حملات در شبکه با استفاده از ویژگی های حملات است. به موازات آن ، بلوک دوم مدل پیش بینی خرابی ML است که فقط در پیش بینی خرابی در شبکه با استفاده از ویژگی های خرابی اختصاص یافته است. بلوک سوم یک مدل ML تشخیص ناهنجاری عمومی (AD) است که از ویژگی های مشترک می آموزد. هدف این مورد پیش بینی این است که آیا ناهنجاری رخ داده یا رخ خواهد داد. برخلاف دو مدل قبلی ML ، این مدل AD مکانیسم پیش بینی ضعیف تری دارد. در مرحله استقرار ، اگر ناهنجاری شناسایی شده مربوط به خرابی ها یا حملات باشد ، این مدل هیچ سرنخی ندارد. مدل به پشتیبانی از پیش بینی حملات و مدل های پیش بینی شکست نیاز دارد. به همین دلیل ، ناهنجاری همراه با بردار ویژگی های آن با مدل ML پیش بینی حملات به اشتراک گذاشته می شود که بررسی می کند ناهنجاری حمله است یا خیر. همین مورد به موازات مدل پیش بینی شکست ML اعمال می شود که بررسی می کند اگر ناهنجاری با خرابی مطابقت داشته باشد. این دو مدل با ارسال برچسب صحیح و پاداشی که هدف آن مجازات کردن مدل AD در صورت پیش بینی اشتباه و پاداش دادن آن در صورت مدل صحیح است ، مدل AD را دوباره اجرا می کنند. توجه داشته باشید که یک ناهنجاری می تواند همزمان با حملات و همچنین خرابی ها مرتبط باشد. ماژول های الگوریتم های پیش بینی حمله - ML به صورت Attacks i = {γj، δ، θ} مدل می شوند ، جایی که i تعداد مدیران ناهنجاری است که مستقیماً با مدیر ناهنجاری ارتباط برقرار می کنند. γj = {γ1 ، ، γm} ، که مربوط به یک بردار ویژگی است که به الگوریتم پیش بینی ML حمله می کند تا از آن استفاده شود تا هدف خود را کنترل کند و m تعداد ویژگی ها است ، که از زمان تغذیه متخصصان امنیت سایبری و شبکه با گذشت زمان متفاوت است بردار ویژگی ها با ویژگی های جدید و مرتبط. از یک شبکه عصبی عمیق تحت نظارت می توان برای آموزش و فرآیند شناسایی حملات مانند شبکه های عصبی راجعه ، شبکه های عصبی کانولوشن ، LSTM یا شبکه های عصبی متراکم استفاده کرد. ما خواننده را برای جزئیات بیشتر در مورد این الگوریتم ها به مراجعه می کنیم. عمل δ = {N ormal ، Attack1 ، Attack2 ، ... ، Attack J} مربوط به پیش بینی حملات خروجی است - الگوریتم شبکه عصبی ، جایی که J تعداد کل مهاجمان است که در مدیر ناهنجاری شناسایی می شود. در راه حل ما ، ما برای شناسایی سه نوع حمله ، Denial of Service (DoS) ، Botnet و تهدیدهای fuzzing متمرکز هستیم. هنگامی که الگوریتم پیش بینی حملات - ML به درستی حملات را تشخیص می دهد ، مقدار بازده θt (γj، δ) افزایش می یابد. در غیر این صورت ، ارزش بازده θt کاهش می یابد. در صورت پیش بینی حملات ، الگوریتمML در ارائه شناسایی کاذب ادامه پیدا می کند ، به عنوان یک ماژول آلوده در نظر گرفته می شود (توسط مهاجم) و از این رو کارشناسان امنیت سایبری این ماژول را تغییر می دهند یا با مجموعه داده های آموزشی جدید آن را تغذیه می کنند.ماژول های الگوریتم های پیش بینی خرابی - ML به صورت شکست های i = {γ j، δ، θ} قالب بندی می شوند. در اینجا ، ما همچنین می توانیم از شبکه های عصبی عمیق برای فرآیند تشخیص خرابی ها استفاده کنیم. γ j = {γ 1، ...، γ m} مربوط به مجموعه ای از ویژگی هاست که الگوریتم ML آنها را رصد می کند و از آنها به عنوان ورود داده برای یک فرایند تشخیص آموزش و خرابی استفاده می کند. تعدادی از ویژگیهای خرابی است که توسط کارشناسان شبکه به روز می شود ، در حالی که متخصصان تغذیه الگوریتمهای ML را با ویژگیهای خرابی جدید و مرتبط انجام می دهند. δ = {N ormal، Failures1، Failures2، ...، Failures J} عملی است که الگوریتم پیش بینی شکست-ML به عنوان یک خروجی ارائه می دهد و J تعداد کل خرابی هایی است که در طول زمان متفاوت است. در میان خرابی هایی که سعی در شناسایی آنها داریم ، ما مشکلات تراکم در سلول های شبکه ، مشکلات تداخل ، قطع تماس ، اضافه بار یا همسایگان پر سر و صدا در ماشین های مجازی ، تخریب سرویس ، از بین رفتن بسته ها ، مشکلات در رابط ها یا روترها را ذکر می کنیم. بازده θ (γ j ، δ) بسته به عملکرد الگوریتم پیش بینی خرابی - ML ، می تواند کم یا زیاد شود ، یعنی وقتی الگوریتم ML به ارائه تشخیص های اشتباه ادامه می دهد (خرابی ها را به صورت عادی تشخیص دهید یا برعکس) ، به عنوان یک محکم در نظر گرفته نمی شود مدل ML و از این رو متخصصان شبکه باید قدیمی ترین ویژگی های خرابی را با ویژگی های جدید و مرتبط به روز کنند یا / و الگوریتم ML را با مجموعه داده های آموزشی جدید تغذیه کنند. تابع سودمندی یک عامل پیش بینی حملات و شکست ها i همانطور که در معادله 1 نشان داده شده محاسبه می شود:Dt تعداد خرابی ها و حملاتی است که به درستی توسط ماژول های الگوریتم های پیش بینی حملات و خرابی ها شناسایی می شود. Pt و Nt به ترتیب تعداد مثبت منفی کاذب و منفی کاذب ارائه شده توسط ماژول های الگوریتم ML هستند. AFt تعداد کل حملات و خرابی های رخ داده در شبکه است. در هر تکرار ، مدیر ناهنجاری Ui t − 1 و Ui t مدیر ناهنجاری نظارت شده را محاسبه می کند ، نتایج را مقایسه می کند و بازده θt و θt را به روز می کند. مقدار θt و θt زمانی افزایش می یابد که U it> U i t-1 و Ui t> Ui t-1 باشد ، جایی که U it و Uit به ترتیب توابع سودمند تشخیص حملات و خرابی ها هستند. در پایان هر تکرار ، مدیر ناهنجاری ماژول های الگوریتم های ML پیش بینی حملات و شکست ها را درخواست می کند تا اقدامات δ و δ و مقادیر ویژگی های γ j و γ j را به روز کند. این کنش ها و ویژگی های جدید به عنوان یکی از گزینه های تولیدکننده مقدار مفید بیشتر بین U i t و U i t-1 برای الگوریتم پیش بینی حملات-ML و Ui t و Ui t-1 برای الگوریتم پیش بینی خرابی-ML تولید می شود. مدیر ناهنجاری مقادیر جدید ویژگی ها (γj و γ j) را به مدیر ناهنجاری i ارسال می کند تا ویژگی های حملات یا / و خرابی های خود را به روز کند در صورتی که اقدامات (δ و δ) با حملات و خرابی هایی که در سطح مدیر ناهنجاری تشخیص داده می شود مطابقت نداشته باشد . همانطور که در معادله 1 نشان داده شده است ، مدیر ناهنجاری با تخمین مقادیر بهینه ویژگی ها (γjt + 1 ، γ jt + 1) ، بازده (θt + 1 ، θt + 1) توابع سودمندی مدیر ناهنجاری را به صورت بازگشتی نشان می دهد. ) و اعمال (δt + 1 ، δt + 1)(در اینجا ، α ∈] 0، 1 [میزان یادگیری و γ ∈] 0 ، 1 [یک ثابت است که با یک عامل تخفیف مطابقت دارد. به منظور ادامه آموزش در زمان و کارآیی بیشتر ، داده های آموزش پیش بینی حملات و مدل های ML پیش بینی شکست ها می توانند توسط همسایگان آنها غنی شوند. نمونه های طبقه بندی شده صحیح را می توان با ارسال مجموعه ای از ویژگی ها با برچسب خود یعنی عدم حمله یا نوع حمله ، از یک مدل حمله به مدل حمله همسایه آن ارسال کرد. همین مورد برای مدلهای خرابی و همسایگان آنها نیز صدق می کند. ارتباط بین مدل های مختلف با استفاده از رابط های برنامه نویسی برنامه (API) مبتنی بر انتقال حالت نمایندگی (REST) یا ابزارهای جریانی مانند kafka حاصل می شود. این پیام در داده های آموزشی مدل تزریق می شود و برای مرحله آموزش بعدی برنامه ریزی شده استفاده می شود. پیام حاوی داده های مربوط به شناسه میزبان دارای مشکل ، زمان سنج و ویژگی ها خواهد بود.ماژول تحریکخروجی مدلهای ML حملات و شکستهای قبلی توسط ماژول محرک استفاده می شود. هدف دوم این است که پس از تشخیص ناهنجاری واکنش نشان دهد. هدف آن انجام اقدامات درمانی به منظور تعدیل یا اصلاح تأثیر ناهنجاری است. این ماژول می تواند تکنیک های سنتی مبتنی بر قاعده مانند سیاست ها باشد یا می تواند با استفاده از مدل های اجرای مجدد یا سیستم های پیشنهادی خودکار شود. نمونه های فعال سازی به شرح زیر است: اگر خرابی مربوط به اضافه بار در عملکردهای شبکه مجازی تشخیص داده شود ، یک عملگر می تواند انتقال عملکرد به ماشین مجازی دیگر یا مقیاس بندی مجدد آن باشد. اگر یک ازدحام در شبکه پیش بینی شود ، می توان یک راه حل متعادل کننده بار را ایجاد کرد. اگر یک آنتن خراب باشد ، یک اقدام درمانی می تواند تحویل به آنتن دیگری باشد. اگر قطعه ای خراب باشد ، یک راه حل می تواند مهاجرت به یک برش دیگر یا تغییر پارامترهای یک قطعه باشد. در مورد واکنشهایی که می توانند نسبت به حملات سایبری شناسایی شده ایجاد شوند ، ما به عنوان مثال تخلیه حملات را ذکر می کنیم ، به عنوان مثال ، سیستم های آلوده (میزبان و دستگاه ها) را از شبکه حذف می کنیم ، سایر IDS ها / IPS ها و دیوار آتش را در مورد هویت سیستم های آلوده و سرانجام رمزنگاری کلیدها را بروزرسانی کنید تا مهاجمان از شنیدن اطلاعات مربوط به مبادله شده بین IDS / IPS جلوگیری کنند.AFPA برای برشهای انعطاف پذیر شبکه 5 Gبر اساس ، یک برش شبکه (NS) متشکل از توابع شبکه فیزیکی و یا مجازی (PNF / VNF) است که می تواند به قسمت اصلی شبکه دسترسی داشته باشد. سپس ، این توابع شبکه با استفاده از منابع شبکه به هم پیوسته و یک زیرساخت مصنوعی را با ویژگی های خاص ، هم در عملکردها و هم در ظرفیت منابع ، تشکیل می دهند. بنابراین ، سنتز یک NS یک هدف کاربردی خاص را برآورده می کند و پس از نمونه سازی ، برای پشتیبانی از برخی خدمات ارتباطی استفاده می شود ، که در نهایت برای پشتیبانی از خدمات عمودی در بالا استفاده می شود. هر قطعه شبکه می تواند معماری ، مدیریت تأمین و امنیت خاص خود را داشته باشد که از یک مورد استفاده خاص پشتیبانی می کند. هر برش ممکن است از یک یا چند برش فرعی تجزیه شود که ممکن است متعلق به یک یا ارائه دهندگان خدمات شبکه باشد. هر زیر برش شامل زیرساخت های فیزیکی و مجازی است. به منظور ایجاد خطا در شبکه ، برشها و برشهای فرعی باید بررسی شوند. با این حال ، در ادبیات ، بیشتر رویکردها برای شناسایی یا پیش بینی حملات و خدمات معیوب در سطح زیر قطعه است. اگرچه این روش به دلیل ریز دانه بودن از نظر دقت بدست خواهد آمد ، اما اشکال آن این است که آنها تصور می کنند برش های فرعی مستقل هستند ، که چنین نیست. در مقابل ، رویکردهای دیگر هدف شناسایی حملات و رفتارهای معیوب در قطعه پایان به انتها است. این راه حل دارای این مزیت است که می توان دید کلی در مورد رفتارهای برش شبکه جهانی داشت. با این حال ، از نظر دقت کم است. علاوه بر این ، برشهای فرعی ممکن است توسط ارائه دهندگان خدمات مختلف اداره شوند که ممکن است دید و پیگیری خطاها و حملات را محدود کند. در این بخش ، ما پیشنهاد می کنیم چارچوب AFPA را برای برش ها و زیرمجموعه های 5G به کار گیریم تا از انعطاف پذیری و امنیت شبکه های 5G با یک بلوک ساختاری مشترک که به آنها امکان برقراری ارتباط و تعامل را می دهد و از ویژگی های مشترک استفاده می کند ، اطمینان حاصل کنید. روند اجرای مجدد به عوامل مختلف اجازه می دهد تا به طور مداوم یاد بگیرند و کارآیی بیشتری داشته باشند. کاربرد چارچوب AFPA در شبکه 5G در شکل 2 شرح داده شده است. در هر زیر قطعه یک مدیر ناهنجاری پیشنهاد شده است که امکان کنترل مداوم خرابی ها و همچنین حملاتی را که ممکن است در زیر برش ایجاد شود ، می دهد. داده ها به طور مداوم از زیرساخت ها و لایه های مجازی جمع آوری می شوند. داده ها را می توان از منابع مختلف جمع آوری کرد: KPI ها ، هشدارها ، سیاهههای مربوط و غیره. یک ماژول مهندسی ویژگی (A و B در شکل 2) امکان جمع آوری داده ها ، نظارت و طبقه بندی این داده ها را به ویژگی های حمله ، ویژگی های خرابی می دهد و ویژگی های مشترک با نوع ناهنجاری (یعنی نوع حمله یا نوع خرابی ها).مرحله اعزام و آموزش اولیهمرحله استقرار شامل اولین نمونه سازی AFPA ها در معماری 5G است. آموزش می تواند به صورت آفلاین با جمع آوری داده ها و سپس تزریق مدل آموزش دیده در چارچوب انجام شود. همچنین با دنبال کردن این مراحل می توان آن را بصورت آنلاین اعمال کرد:· داده های جمع آوری شده در یک دریاچه داده ذخیره می شوند. اولین قسمت از این دریاچه داده برای اطلاعات مربوط به حملات امنیتی رزرو می شود. پارتیشن دوم برای حملات رایج رزرو می شود. پارتیشن سوم برای داده های خرابی رزرو می شود.· در زیر برش ها ، یک مرحله آموزش آنلاین اجازه می دهد تا الگوهای مختلف را برای کشف یا پیش بینی خرابی ها / تهدیدهای آینده یاد بگیرید. سه مدل ML در هر عامل AFPA آموزش داده می شود و مدل آموزش دیده در مدیر ناهنجاری ذخیره می شود. اولین مدل با استفاده از پایگاه داده حملات به پیش بینی حملات اختصاص دارد. مدل دوم فقط با استفاده از پایگاه داده خرابی ها به پیش بینی خرابی ها اختصاص یافته است. مدل سوم با استفاده از ویژگی های مشترک ذخیره شده در پایگاه داده مشترک به تشخیص ناهنجاری اختصاص یافته است.· مرحله قبلی در هر زیر قطعه به منظور یادگیری رفتار زیر برش با نمای خوب به دست می آید. به موازات آن ، در سطح برش e2e ، یک مدیر ناهنجاری مسئول یادگیری الگوی کلی برش e2e است. این مدیر ناهنجاری در تمام برش های فرعی خود قابل مشاهده است. این یک مکانیزم پیش بینی است که داده های مربوط به تمام برش های فرعی را جمع آوری می کند. یک مرحله پردازش امکان فیلتر کردن امنیت از داده های مدیریت خطا را فراهم می کند. در این مرحله ، آموزش باید با یک مدل یادگیری ماشین قوی مانند یادگیری عمیق انجام شود. آشکارسازهای ناهنجاری عمومی (GAD) ذخیره می شوند تا در مرحله زمان استفاده شوند.فاز زمان اجراهدف از فاز زمان اجرا استفاده از مدل آموزش دیده برای بهره برداری است. توجه داشته باشید که حتی در زمان اجرا ، مدل های ML همچنان به طور مداوم و به روشی تعاملی آموزش می بینند. در اولین گام ، داده ها به طور مداوم از زیرساخت ها و همچنین از سطح مجازی سازی شده در زیر قطعه توسط ماژول مهندسی ویژگی های مربوطه جمع آوری می شوند. در مرحله دوم ، داده های جمع آوری شده در دریاچه داده ذخیره می شوند. ویژگی های حملات در پایگاه داده حملات ذخیره می شوند. ویژگی های خرابی در پایگاه داده خرابی ها ذخیره می شوند. ویژگی های مشترک در پایگاه داده مشترک ذخیره می شوند. در مرحله سوم ، هر نمونه توسط پیش قطعه AFPA مربوطه تجزیه و تحلیل می شود تا شکست ها و حملات آینده پیش بینی شود. مدل معمول تشخیص ناهنجاری ML اگر نمونه دریافت شده مربوط به یک رفتار عادی باشد یا با ناهنجاری پیش بینی کند. اگر ناهنجاری تشخیص داده شود ، پیش بینی می کند که آیا حمله است و یا خرابی شبکه است و به کدام نوع حملات یا خرابی ها تعلق دارد. پس از دستیابی به یک پیش بینی ، این مدل داده های حاوی ویژگی های مشترک را همراه با پیش بینی خود به مدل ML حملات و همچنین به مدل ML شکست ارسال می کند. با استفاده از حالت پخش جریانی برای زمان پاسخ سریع ، می توان مستقیماً ویژگی ها را انتقال داد. به عنوان مثال ، ویژگی ها را می توان با فرمت JSON با استفاده از یک گذرگاه کافکا منتقل کرد. حملات و شکست مدل های ML پیش بینی مدل تشخیص ناهنجاری را تأیید می کند. اگر پیش بینی اشتباه باشد ، آنها فرایند یادگیری مدل تشخیص ناهنجاری را با محاسبه مجازات و ارسال داده های آموزش جدید به منظور افزایش عملکرد ، دوباره اجرا می کنند. به طور موازی ، حملات و مدلهای شکست توسط همسایگان آنها تغذیه می شود. پیش بینی کننده حملات همسایه در همان بخش فرعی می تواند پیش بینی کننده حمله فعلی را با ارسال رویدادهایی (مواردی که تأیید می شود حملات هستند) به منظور غنی سازی داده های آموزش خود و اطلاع رسانی درمورد مشکلات همسایه ، از پیش ببرد. همین مورد برای مدل خرابی ها نیز صدق می کند. مدلهای ML حملات و مدلهای ML ناکام نیز توسط قطعه E2E دوباره اعمال می شوند. در واقع ، هر رویداد (پیش بینی های مثبت) به منظور هشدار به آن و همچنین درخواست تأیید ، برای این مورد ارسال می شود. نقش عامل در سطح برش E2E اطمینان از ادامه کارایی عوامل زیر قطعه AFPA است. از این رو ، نماینده در سطح E2E با استفاده از الگوی آموزش دیده قابل اعتماد خود ، نمونه را پیش بینی کرده و با جریمه کردن و ارسال داده های آموزشی مطمئن تر ، مدل مربوطه را مجدداً اجرا می کند. هدف این سیستم مجازات ایجاد پایدارتر و قابل اطمینان تر عوامل AFPA در زیر قطعه است. قابلیت اطمینان مدل ها را می توان با استفاده از این معیارهای عملکرد اندازه گیری کرد: نرخ مثبت کاذب ، نرخ منفی کاذب ، دقت ، یادآوری ، نمره F1 ، میزان خطا مانند خطای میانگین مربع ، خطای مربع مطلق و غیره. از آنجا که تعداد پیام های ارسال شده می تواند بسیار بزرگ باشد ، این پیام ها می توانند در یک بازه زمانی جمع شوند و همچنین پیام های مکرر نیز جمع می شوند. هنگامی که مشکلی توسط عامل برش E2E تأیید شد ، باید یک اقدام درمانی انجام شود. از این رو ، مدل پیش بینی هشدار به مکانیزم تحریک (مانند تنظیم کننده یا مدیر سیاست) حاوی شناسه میزبان مورد نظر ، مهر زمان ، شکست پیش بینی شده و / یا حمله ارسال می کند. بسته به اعلان دریافت شده ، محرک مشکل را در سطح برش e2e اصلاح می کند و از وی درخواست می شود اقدامات اصلاحی توسط محرک در سطوح زیر برش اعمال شود.AFPA برای یک شبکه چند فن آوریروشی که ما پیشنهاد می کنیم ، به جز 5G ، برای سایر فناوری های تلفن همراه نیز قابل استفاده است. در این حالت ، این ساختار مبتنی بر ساختار سلسله مراتبی خواهد بود که از دو یا چند سطح تشکیل شده است. سطوح را می توان به عنوان مثال ، بر اساس مناطق ، انواع تجهیزات ، مجاورت جغرافیایی ، توابع شبکه یا بر اساس نوع خدمات و غیره تعریف کرد. همانطور که در شکل 3 نشان داده شده است ، پایین ترین سطح دارای نمای محدودتر است. هر سطح دارای AFPA است که AFPA سطح زیر را دوباره اجرا می کند. در همان سطح ، مدل AD مشترک با حملات و ردیاب های خرابی مجدداً اجرا می شود. این افراد در حال برقراری ارتباط با همسایگان خود هستند و دوباره اعمال می شوند. به محض اینکه مشکلی در سطح بالا شناسایی شد ، باید تحریک شود. شکل 3 نمونه ای از کاربرد چارچوب AFPA را در یک سیستم چند فناوری نشان می دهد. بالاترین سطح دارای چشم انداز جهانی از شبکه است. در این سطح ، یادگیری بر روی داده هایی حاصل می شود که تمام فن آوری های تمام مناطق را برای مدت طولانی پوشش می دهد. سطح متوسط ​​نمای محدودتری دارد. یادگیری در این سطح توسط مناطق به روشی توزیع شده حاصل می شود. این یادگیری توسط چندین عامل AFPA حاصل می شود. هر عامل داده های یک منطقه خاص را پوشش می دهد. سطح پایین دارای محدودترین نمایش است. این سطح بر یادگیری از هر فناوری برای هر منطقه به صورت توزیع شده تمرکز دارد. هر نماینده داده های یک تکنیک خاص را برای یک منطقه خاص دریافت می کند. هدف این مأمورین این است که با توجه به مشاهده یک فناوری خاص برای یک منطقه خاص ، بله یا خیر حمله یا / و شکست وجود دارد. در صورت بروز مشکل ، نماینده سطح بالاتری را مطلع می کند.آزمایش عددیبه منظور ارزیابی عامل پیشنهادی AFPA ، ما یک بستر آزمایشی ایجاد کردیم که در محیط Openstack تنظیم شده است ، همانطور که در شکل نشان داده شده است.این آزمایش شامل دو ماشین مجازی است که از یک hypervisor یکسان استفاده می کنند. این دو دستگاه حافظه مشترکی دارند. اولین دستگاه قابلیت IMS I-CSCF (عملکرد کنترل جلسه تماس با بازجویی) و S-CSCF (عملکرد کنترل جلسه تماس - سرویس) را پیاده سازی می کند. ماشین دوم پروکسی را شبیه سازی می کند ، از Sprout (روتر SIP) استفاده می کند و توابع P-CSCF (توابع کنترل فراخوانی / جلسه) را اجرا می کند. این نقطه ورود مشتری های SIP است که به نوبه خود درخواست های SIP را به دستگاه اول هدایت می کند. از یک سرور Prometheus برای ایجاد یک مجموعه آموزشی با جمع آوری چندین معیار توصیف رفتار هر ماشین استفاده می شود. هدف ما این است که با تعریف سه مدل یادگیری ماشین ، عامل AFPA را اعمال کنیم: رویکرد ARIMA برای سری های زمانی ؛ (2) مدل پیش بینی شکست ها با هدف آموزش از ماشین اول و پیش بینی مشکلات تأخیر آینده مربوط به جلسات تماس با استفاده از ویژگی های چند متغیره و یک مدل یادگیری عمیق است (3) مدل های تشخیص ناهنجاری عمومی که هدف آن آموزش استفاده از حافظه مشترک به منظور پیش بینی تأخیر آینده در دسترسی به حافظه با استفاده از ویژگی های چند متغیره و یک مدل یادگیری عمیق است. در مورد جمع آوری داده ها ، ما از Node Exporter به عنوان عامل در هر ماشین مجازی و ماشین فیزیکی استفاده می کنیم. این اجازه می دهد تا اطلاعات را از دستگاه به صورت پیشخوانهایی که به سرور Prometheus ارسال می شوند ، جمع آوری کنید. این سرور معیارهایی را ایجاد می کند که کاربرد مولفه را برای ایجاد یک مجموعه داده توصیف می کند. 21 سنجه جمع آوری شده و متعلق به خانواده های زیر است:· استفاده از پردازنده: درصدی از زمان مشغول بودن پردازنده است.· درصد انتظار CPU: درصد زمانی که CPU بیکار است و حداقل یک درخواست ورودی / خروجی در حال انجام است· شبکه ورودی: مقدار داده ای است که به دستگاه می رسد اما از جای دیگر منشا می گیرد و شبکه خروجی: مقدار داده ای است که از دستگاه منشا می گیرد تا به جای دیگری برسد. اگرچه می توان از حافظه نیز استفاده کرد ، اما در مورد ما ، حافظه مشترک نیست بنابراین ماشین ها بر سر آن رقابت نمی کنند.· استفاده از حافظه: درصد حافظه استفاده شده· Load: متوسط بارگذاری سیستم (با تعداد هسته منطقی) در طی یک دوره 1 دقیقهاز این رو ، سه مجموعه داده (یک دستگاه در هر دستگاه) جمع آوری می شود. هر مجموعه داده از N = 177000 نمونه تشکیل شده است. بگذارید x مجموعه داده جمع آوری شده از یک ماشین M و متشکل از N نمونه xi باشد که به صورت دوره ای جمع می شوند و F = 21 ویژگی به طوری که xi = {xi1 ، .. ، xi j} که در آن 1 ≤ i ≤ N و 1 ≤ j ≤ F ما با دسته بندی ویژگی های جمع آوری شده به سه خانواده شروع می کنیم. از آنجا که این دو ماشین حافظه مشترکی دارند ، ویژگی های مربوط به استفاده از حافظه با ویژگی های مشترک مطابقت دارند. این موارد اخیر توسط مدل تشخیص ناهنجاری عمومی استفاده می شود. ویژگی های باقیمانده (استفاده از پردازنده ، بارگذاری ، شبکه ورودی و خروجی شبکه) دستگاه پروکسی مربوط به ویژگی های امنیتی است که توسط پیش بینی کننده امنیت استفاده خواهد شد. معیارهای مشابه مربوط به دستگاه جلسه تماس با ویژگی های خرابی مطابقت دارد.مدل ARIMA برای پیش بینی حملاتمدل اول با هدف آموزش پیش بینی تهدیدات با اضافه بار در 10 دقیقه آینده با آموزش از یک ویژگی uni-varyate: متوسط ​​بار در 1 دقیقه گذشته. این مورد اخیر یک سری زمانی ثابت را نشان می دهد ، زیرا آزمون تکمیل شده دیکی-فولر (ADF) با p p برابر 0.000208 0. (و از این رو کوچکتر از 0.05) است. به منظور پیش بینی مقادیر آینده بار متوسط ​​، ابتدا یک صافکاری اعمال می شود و سپس یک مدل Auto-ARIMA آموزش داده می شود. یکی از مزایای این روش این است که بهترین متناسب بودن بیش از حد پارامترها به طور خودکار با استفاده از معیار مدل selction به حداقل می رسد: AIC (معیار اطلاعات Akaike). به منظور ارزیابی مدل Auto-ARIMA ، ما مجموعه داده های خود را به 80٪ برای مرحله آموزش و 20٪ برای مجموعه آزمون تقسیم کردیم. آزمون روی مجموعه آزمون دارای مقدار کمی از میانگین درصد مطلق خطا (MAPE) برابر با 6٪ و یک ضریب همبستگی زیاد بین مقادیر واقعی و پیش بینی ها برابر با 82.5٪ است. پیش بینی اضافه بار آینده در پروکسی در شکل 5 نشان داده شده است.پیش بینی شکست مدل MLهدف این مدل دوم پیش بینی خرابی های آینده در دستگاه IMS ICSCF / S-CSCF است. به طور خاص ، مدل از داده هایی با 170،000 رکورد و 21 ویژگی متعلق به خانواده های زیر استفاده می کند: استفاده از پردازنده ، ورودی شبکه ، خروجی شبکه و بارگذاری. هدف پیش بینی نقض تأخیر در آینده در 15 دقیقه آینده است. داده ها با کلاس های باینری نشان دهنده وجود یا عدم وجود نقض تأخیر هستند. مجموعه داده ها نامتعادل است: 10.034 رکورد نشان دهنده نقض تأخیر است در حالی که 166.966 رکورد وضعیت طبیعی را نشان می دهد. از معیارها هر 1 ثانیه نمونه برداری می شود.یک مدل یادگیری عمیق به منظور مشاهده 2 ساعت آخر معیارهای دستگاه به منظور پیش بینی 15 دقیقه آینده نقض تأخیر ایجاد شده است. 80٪ از مجموعه داده ها برای آموزش و اعتبار سنجی استفاده می شوند در حالی که 20٪ باقیمانده برای آزمایش نگهداری می شوند. یک مدل کوتاه مدت (LSTM) با 30 دوره آموزش دیده است. از دست دادن با استفاده از یک تابع از دست دادن آنتروپی متقابل محاسبه می شود. نتایج از دست دادن و دقت بیش از آموزش و مجموعه های اعتبار سنجی در شکل 6 نشان داده شده است. پس از 16 تکرار ، مدل دارای دقت بالا و خطای کم بدون هیچ گونه برازش است که توسط دو نمودار ثابت شده است. ارزیابی از مجموعه آزمون همچنین اثبات می کند که دقت مدل امیدوار کننده است (100٪) و افت هنوز کم است (0.0568٪) که عملکرد مدل را اثبات می کند.پیش بینی ناهنجاری مدل MLبرای مدل سوم ، مجموعه جدیدی از داده ها از معیارهای مربوط به خانواده حافظه دو ماشین مجازی ایجاد شد. در نتیجه ما 177،000 رکورد و شش ویژگی داریم. هدف این است که مشاهده 2 ساعت گذشته به منظور پیش بینی استفاده بیش از حد از حافظه مشترک با استفاده از ویژگی های مشترکی که در 15 دقیقه آینده اتفاق می افتد. کلاس باینری است و مربوط به وجود یا عدم استفاده زیاد از مسئله است. به طور مشابه مدل قبلی ، یک مدل LSTM با 65 دوره در 80٪ مجموعه داده ها که 10٪ برای اعتبار سنجی نگهداری می شود ، آموزش داده می شود. 20٪ باقیمانده برای آزمایش استفاده می شود. نتایج حاصل از آموزش و مجموعه های اعتبارسنجی در شکل 7 نشان داده شده است. پس از 15 دوره اول ، مدل با یک اعتبارسنجی امیدوار کننده و یک عملکرد آموزشی شروع به همگرایی می کند که عدم وجود مشکل بیش از حد را نشان می دهد. دقت در مجموعه آزمون برابر با 100٪ و ضرر آن برابر با 0.0006 است.نتیجه گیریاین مقاله یک ساختار شناختی را پیشنهاد می کند که شامل یک یا چند عامل پیش بینی حمله و شکست (AFPA) است که می تواند در هر سیستم ، میزبان و عملکرد برای نظارت بر حملات شبکه و خرابی ها در یک بلوک مشترک مستقر شود. نماینده پیشنهادی برای ایجاد یک راه حل قابل اعتماد با هدف یادگیری در سطح زیرشاخه ها و در سطح قطعه پایان به انتها که به شما امکان می دهد دید خوبی داشته باشید و همچنین ارتباط بین سیستم مدیریت امنیت و مدیریت خرابی ها را در نظر می گیرد. یک نمای کلی از شبکه به صورت تعاملی. به عنوان کار آینده ، می توان چندین دیدگاه را حل کرد. اول ، یک مطالعه تجربی گسترده تر از چندین عامل AFPA به منظور نمایش همکاری و سازوکار اجرای مجدد پیشنهاد خواهد شد. دوم ، برای نشان دادن کاربرد این چارچوب در فناوری 5G ، باید بستر آزمایشی از معماری کلی اعمال شده در شبکه 5G ایجاد شود. سوم ، یک نظارت متقابل AFPA برای حملات دقیق و پیش بینی شکست باید پیشنهاد شود. این شامل یک پروتکل شهرت جدید است که رفتار سیستم ، میزبان و عملکرد را طبق یک زوج ارزیابی می کند (Trustl_Level، Failure_Level). سرانجام ، مدل سطح بالای ML در چارچوب AFPA ما می تواند توسط مهاجمان آلوده شود و به دلیل خرابی خطایی ایجاد کند. بنابراین ، ارزیابی سطح اطمینان و عدم موفقیت AFPA تحت نظارت ، جایی که پروتکل شهرت ما بر اساس مراحل شهرت امنیت و نگهداری است ، اجباری است.Majid RazaviMajid RazaviFri, 21 May 2021 11:14:09 +0430