استخدام التعلم العميق لاكتشاف هجماتDDoS في شبكات 5G
“Using deep learning to detect DDoS attacks in 5G networks.”
الكلمات المفتاحية:
شبكات الجيل الخامس (5G)، كشف هجمات الحرمان من الخدمة (DDoS)، التعلم العميق، الشبكات العصبية الالتفافية (CNNs)، الذاكرة طويلة وقصيرة المدى (LSTM)، 5G Networks, DDoS Detection, Deep Learning، Convolutional Neural Networks (CNNs)، Long Shortالملخص
الملخص
إن الأفكار التقليدية للكشف عن مثل هذه الهجمات سرعان ما أصبحت بالية بسبب الديناميكيات المتطورة باستمرار لحركة مرور شبكة الجيل الخامس. تهدف هذه الورقة البحثية إلى التحقيق في الاستخدام الأكثر فعالية للتعلم العميق لتحديد تهديدات DDoS في شبكات الجيل الخامس. تطبق الدراسة التي أجريت باستخدام مجموعتي بيانات CICIDS2017 وUNSW-NB15 كلاً من نموذجي CNN وLSTM على تصنيف حركة مرور الشبكة. تُظهر هذه الإحصائيات أن النهجين يحددان هجمات الحرمان من الخدمة الموزعة بدقة كبيرة وفي كثير من الأحيان (98% لـ CICIDS2017 و94% لـ UNSW-) )NB15)، ويتذكرانها جيدًا (96% و92% بشكل متقبل
تُظهر الورقة البحثية أن النموذج يتعلم بنجاح أنماط حركة المرور المميزة لهجمات DDoS ويتفوق على أداء المقاربات التقليدية. ولكن أثيرت مشاكل مثل قاعدة البيانات الصاخبة وتعدد استخدامات النموذج، مما يعني أن هناك مجالًا كبيرًا لجعل بيانات التدريب أكثر تنوعًا. كما استُنتج من النتائج، من الممكن تحسين حماية شبكات الجيل الخامس من هجمات الحرمان من الخدمة الموزعة بشكل كبير بمساعدة دمج التعلم العميق في أنظمة أمن الشبكات. مع استمرار التطور، يجب إيلاء المزيد من الاهتمام لتعزيز استقرار النموذج وتوسيع مجموعات بيانات التدريب لمهاجمة سيناريوهات أكثر تنوعًا يمكن أن تصبح فائدة قصوى لاستخدام التعلم العميق في تأمين شبكات الجيل الخامس.
Abstract
The conventional ideas of detecting such attacks are fast becoming obsolete because of the ever-evolving dynamics of 5G network traffic. This paper aims to investigate the most effective use of deep learning to identify DDoS threats in 5G networks. The study with CICIDS2017 and UNSW-NB15 datasets applies both CNN and LSTM models on the network traffic classification. These statistics show that the approaches identify DDoS attacks with great precision and often (98% for CICIDS2017 and 94% for UNSW-NB15), and remember them well (96% and 92% receptively).
The paper shows that the model successfully learns traffic patterns characteristic of DDoS attack and surpassing the performance of traditional approaches. But issues like the noisy database and model versatility were raised, meaning that there is plenty of scope to make the training data more diverse. As inferred from the results, it is possible to greatly improve the protection of the 5G networks from DDoS attacks with the help of the integration of deep learning into network security systems. As the evolution continues, more attention should be paid on enhancing the model stability and expanding the training datasets for attacking more diverse scenarios that can become a supreme benefit of using deep learning in securing 5G networks.
