چارچوبی برای یادگیری عمیق به منظور افزایش امنیت شبکه
ترجمه نشده

چارچوبی برای یادگیری عمیق به منظور افزایش امنیت شبکه

عنوان فارسی مقاله: چارچوبی برای یادگیری عمیق به منظور افزایش امنیت شبکه های امنیت تعریف شده با نرم افزار
عنوان انگلیسی مقاله: A Deep Learning Framework to Enhance Software Defined Networks Security
مجله/کنفرانس: کنفرانس بین المللی شبکه های اطلاعاتی پیشرفته و کارگاه های کاربردی – International Conference on Advanced Information Networking and Applications Workshops
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، فناوری اطلاعات
گرایش های تحصیلی مرتبط: هوش مصنوعی، امنیت اطلاعات، رایانش امن، شبکه های کامپیوتری
کلمات کلیدی فارسی: شبکه های نرم افزار محور؛ یادگیری عمیق؛ شناسایی ناهنجاری ها؛ اتوکدر
کلمات کلیدی انگلیسی: Software-defined networks، Deep Learning، Anomalies Detection، Autoencoders
شناسه دیجیتال (DOI): https://doi.org/10.1109/WAINA.2018.00172
دانشگاه: School of computing Engineering and Mathematics – Western Sydney University – Sydney – Australia
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: کنفرانس
نوع مقاله: ISI
سال انتشار مقاله: 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 6
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E10550
فهرست انگلیسی مطالب

Abstract


I- Introduction


II- Software-Defined Networks and Related Work


III- Autoencoders


IV- Detection Framework


V- Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


Software-Defined Networks (SDN) initiates a novel networking model. SDN proposes the separation of forward and control planes by introducing a new independent plane called network controller. The architecture enhances the network resilient, decompose management complexity, and support more straightforward network policies enforcement. However, the model suffers from severe security threats. Specifically, a centralized network controller is a precious target for two reasons. First, the controller is located at a central point between the application and data planes. Second, a controller is software which prone to vulnerabilities, e.g., buffer and stack overflow. Hence, providing security measures is a crucial procedure towards the fully unleash of the new model capabilities. Intrusion detection is an option to enhance the networking security. Several approaches were proposed, for instance, signature-based, and anomaly detection. Anomaly detection is a broad approach deployed by various methods, e.g., machine learning. For many decades intrusion detection solution suffers performance and accuracy deficiencies. This paper revisits network anomalies detection as recent advances in machine learning particularly deep learning proofed success in many areas like computer vision and speech recognition. The study proposes an intrusion detection framework based on unsupervised deep learning algorithms.


Introduction


The conventional communication networking model consists of three planes. i.e., management, control, and forward or data. The management plane supports network monitoring and configuration. The control plane populates forwarding tables on the physical devices. Consecutively, the forward plane switches packets to ingress and egress ports based on the forwarding tables. For decades, both the Control and the forward planes are integrated into the same networking devices, for instance. Switches or routers. The conventional model provided efficiency from a performance perspective. However, current networks became excessively complicated, and there is a necessity to adopt a more resilient architecture [1]. This paper introduces a framework to enhance the security deficiencies of SDN.The framework is anomalies detection based on machine learning. The next section discusses SDN model and related security threats. The third section investigates the deep learning and its current anomalies detection solution for network security. The fourth section represents our proposed framework.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

چارچوبی برای یادگیری عمیق به منظور افزایش امنیت شبکه
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها