عنوان مقاله:
یک تخصیص منابع یادگیری فعال عمیق براساس متوازن ساز بار برای تشخیص نفوذ شبکه در حسگر های SDN
A resource allocation deep active learning based on load balancer for network intrusion detection in SDN sensors
سال انتشار: 2022
رشته: مهندسی کامپیوتر - مهندسی فناوری اطلاعات
گرایش: مهندسی نرم افزار - هوش مصنوعی - شبکه های کامپیوتری
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
مقالات ISI مهندسی فناوری اطلاعات
2. Related work
We presented a few types of research concerning the scheduling and load balancing problem. The effect of load balancing methods helps device suitability. The load balancer was able to distribute the device’s loads. The selected algorithms have a specific effect: load balancing and optimization for specific application needs. Like another load balancing, SDN also needs to find the best load balancing method. Various methods are proposed that achieve load balancing among the different device, edge nodes, controller and server . The controller-based load balancer can increase the control plane that results in the SDN controller’s decentralization. In , the authors proposed the RLMD method to balance traffic load in the multicontroller SDN network. The authors proposed the multi-partitionbased algorithm to balance communication of controller, switches and node . The model is then compared with the typical methods and manages to better resource allocations in dynamic traffic load. The algorithm can work under multiple controllers. Lin et al. addressed the traffic congestion in the mobile vehicular network and analyzed its impact. The work was further extended by Yi et al. for the route identification in the traffic jams scenarios. Yi et al. used the graph-based approach to reach charging stations. The optimization algorithm’s weakness is that it used all nodes with an unlimited supply of energy. Hence, this unrealistic hypothesis was removed by Yi et al.by using the minimum cost flow algorithms for multi-users. Another vehicular sensor optimization model was proposed that finds the energy consumption and charging solution concerning the road paths. The model can be incorporated with the current transportation system. Another model was proposed for the vehicular network for sensors, and energy-efficient processing . The scheduling method is also analyzed based on the storage strategy for the data flow. The analysis is done based on the data flow scheduling and hierarchical storage algorithms to detect the edge data flow. The edge computing method combined with scheduling measures is used to define the uplink data flow. Another method proposed is the software defines resource allocation based on the security and location of the services. The method utilized the software resource demands to schedule the tasks among different sensors. The learning-based method is also proposed that uses the heterogeneous arrangement and recovery model . Then, optimize the scheme based on the heterogeneous prior functions via supervised learning. The method used prior learning, and signal recoveries are also completed .
3. Methodology
In this section, we describe the proposed load-balancing model. The common framework is depicted clearly in Fig. 1. The architecture is composed of three different planes, i.e., Application plane, Control plane and Data plane, respectively. The Application plane provides the user interface for the application-oriented task. In the Control plane, all the decisions are made intelligently and controlled by the SDN. The Control plane implements the security policies, i.e., packet forwarding and controlled rules [2]. The northbound Application Programming Interface’s (API) role is to provide the communication interface between the application and control plane. The communication APIs are mostly open-source since we can make easy modifications to fulfilled the application needs. The last plane is a Data plane, also called the infrastructure plane, and it is comprised of devices, i.e., routers, switches and bridges, etc. The OpenFlow (southbound API) is mostly adopted for the communication of control and data plane. The OpenFlow protocol makes communication between the SDN controller and device very easy. Fig. 2 shows the SDN structure that provides application-oriented flexibility such as load balancing. The SDN structure helps in the Fig. 2. Proposed SDN load-balancing algorithm framework. customization of applications, which leads to fulfilling the demand for any heterogeneous services. Because of the increased volume of data, intelligent load balancing is one of the main demands of heterogeneous applications. The balancing helps to optimize the network in terms of resource utilization, throughputs while also minimizing congestion. The load balancing method also helps in the application’s predictive analyses and provides useful insight into the network and its application. We mention the framework in Fig. 2, describing the load balancing flow. The SDN controller can access all of the network information intelligently at a lower level and communicate with the upper network layers, as can be seen in Fig. 1. The information includes the infrastructure layout, applications, devices connected with them. The SDN controller takes advantage of the global view of the network to optimize load balancing tasks. The network topology and connected devices information help in the application’s execution-oriented task. The architecture shows the SDN approach in Fig. 2.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. کارهای مرتبط
ما چند نوع تحقیق در مورد مسئله زمانبندی و تعادل بار ارائه کردیم. اثر روش های متعادل کننده بار به مناسب بودن دستگاه کمک می کند. متعادل کننده بار قادر به توزیع بارهای دستگاه بود. الگوریتم های انتخاب شده یک اثر خاص دارند: متعادل سازی بار و بهینه سازی برای نیازهای کاربردی خاص. مانند بار دیگر، SDN نیز باید بهترین روش متعادل کننده بار را پیدا کند. روش‌های مختلفی پیشنهاد شده‌اند که به تعادل بار در میان دستگاه‌های مختلف، گره‌های لبه، کنترل‌کننده و سرور دست می‌یابند. متعادل کننده بار مبتنی بر کنترلر می تواند سطح کنترل را افزایش دهد که منجر به عدم تمرکز کنترل کننده SDN می شود. در سال، نویسندگان روش RLMD را برای متعادل کردن بار ترافیک در شبکه SDN چند کنترلی پیشنهاد کردند. نویسندگان الگوریتم مبتنی بر چندپارتیشن را برای متعادل کردن ارتباطات کنترل‌کننده، سوئیچ‌ها و گره پیشنهاد کردند. سپس مدل با روش‌های معمولی مقایسه می‌شود و تخصیص منابع بهتر در بار ترافیک پویا را مدیریت می‌کند. این الگوریتم می تواند تحت چندین کنترلر کار کند. لین و همکاران به تراکم ترافیک در شبکه وسایل نقلیه سیار پرداخته و تأثیر آن را تحلیل کرد. این کار توسط یی و همکاران بیشتر توسعه یافت. برای شناسایی مسیر در سناریوهای ترافیک. یی و همکاران از رویکرد مبتنی بر نمودار برای رسیدن به ایستگاه های شارژ استفاده کرد. نقطه ضعف الگوریتم بهینه‌سازی این است که از تمام گره‌ها با منبع انرژی نامحدود استفاده می‌کند. از این رو، این فرضیه غیر واقعی توسط یی و همکاران با استفاده از الگوریتم های جریان حداقل هزینه برای چند کاربر حذف شد. یکی دیگر از مدل‌های بهینه‌سازی حسگر خودرو پیشنهاد شد که راه‌حل مصرف انرژی و شارژ را در مورد مسیرهای جاده پیدا می‌کند. این مدل را می توان با سیستم حمل و نقل فعلی ادغام کرد. مدل دیگری برای شبکه وسایل نقلیه برای حسگرها و پردازش انرژی کارآمد پیشنهاد شد. روش زمان بندی نیز بر اساس استراتژی ذخیره سازی برای جریان داده تحلیل می شود. تجزیه و تحلیل بر اساس زمانبندی جریان داده و الگوریتم‌های ذخیره سلسله مراتبی برای تشخیص جریان داده لبه انجام می‌شود. روش محاسبه لبه همراه با معیارهای زمان بندی برای تعریف جریان داده های uplink استفاده می شود. روش دیگر پیشنهاد شده این است که نرم افزار تخصیص منابع را بر اساس امنیت و مکان سرویس ها تعریف می کند. این روش از نیازهای منابع نرم افزاری برای برنامه ریزی وظایف بین حسگرهای مختلف استفاده می کند. روش مبتنی بر یادگیری نیز پیشنهاد شده است که از آرایش و مدل بازیابی ناهمگن استفاده می کند. سپس، طرح را بر اساس توابع ناهمگن قبلی از طریق یادگیری نظارت شده بهینه کنید. روش استفاده از یادگیری قبلی، و بازیابی سیگنال نیز تکمیل شده است.
3. روش شناسی
در این بخش، مدل متعادل کننده بار پیشنهادی را شرح می دهیم. چارچوب مشترک به وضوح در شکل 1 نشان داده شده است. معماری از سه صفحه مختلف تشکیل شده است، به عنوان مثال، صفحه برنامه، صفحه کنترل و صفحه داده، به ترتیب. صفحه برنامه رابط کاربری را برای کار برنامه گرا فراهم می کند. در صفحه کنترل، تمام تصمیمات به صورت هوشمند و توسط SDN کنترل می شود. صفحه کنترل، سیاست های امنیتی، یعنی حمل و نقل بسته و قوانین کنترل شده را اجرا می کند [2]. نقش رابط برنامه‌نویسی برنامه‌نویسی به شمال (API) ارائه رابط ارتباطی بین برنامه و صفحه کنترل است. APIهای ارتباطی عمدتاً منبع باز هستند زیرا می‌توانیم تغییرات آسانی برای برآورده کردن نیازهای برنامه ایجاد کنیم. آخرین صفحه یک صفحه داده است که به آن هواپیمای زیرساخت نیز گفته می شود و از دستگاه هایی مانند مسیریاب ها، سوئیچ ها و پل ها و غیره تشکیل شده است. OpenFlow (API به سمت جنوب) بیشتر برای ارتباط کنترل و صفحه داده استفاده می شود. پروتکل OpenFlow ارتباط بین کنترلر SDN و دستگاه را بسیار آسان می کند. شکل 2 ساختار SDN را نشان می دهد که انعطاف پذیری برنامه گرا مانند تعادل بار را فراهم می کند. ساختار SDN در شکل 2 کمک می کند. چارچوب الگوریتم متعادل کننده بار پیشنهادی SDN. سفارشی سازی برنامه ها، که منجر به برآورده شدن تقاضا برای هر گونه خدمات ناهمگن می شود. به دلیل افزایش حجم داده ها، تعادل بار هوشمند یکی از خواسته های اصلی برنامه های کاربردی ناهمگن است. تعادل به بهینه سازی شبکه از نظر استفاده از منابع، توان عملیاتی و در عین حال به حداقل رساندن تراکم کمک می کند. روش متعادل کننده بار همچنین به تحلیل های پیش بینی برنامه کمک می کند و بینش مفیدی را در مورد شبکه و کاربرد آن ارائه می دهد. ما چارچوب را در شکل 2 ذکر می کنیم که جریان متعادل کننده بار را توصیف می کند. کنترل کننده SDN می تواند به تمام اطلاعات شبکه به طور هوشمند در سطح پایین تر دسترسی داشته باشد و با لایه های شبکه بالایی ارتباط برقرار کند، همانطور که در شکل 1 مشاهده می شود. اطلاعات شامل طرح زیرساخت، برنامه ها، دستگاه های متصل به آنها است. کنترلر SDN از نمای کلی شبکه برای بهینه سازی وظایف متعادل کننده بار استفاده می کند. توپولوژی شبکه و اطلاعات دستگاه های متصل به اجرای برنامه کمک می کند وظیفه گرا معماری رویکرد SDN را در شکل 2 نشان میدهد.
