تحسين عملية الاسترداد من اختراق الشبكة في SDN باستخدام التعلم المعزز الاستباقي

الملخص

مع التطور السريع للشبكات المعرفة بالبرمجياتSDN(Software-Defined Networks) ، تبرز الحاجة إلى استراتيجيات فعالة لاستعادة التدفق بعد التطفل السيبراني لضمان استمرارية الخدمة وتقليل تأثير الهجمات على أداء الشبكة. تهدف هذه الدراسة إلى تحسين عملية استعادة التدفق بعد الاختراقات الأمنية في SDN باستخدام نهج جديد قائم على التعلم المعزز، والذي يُعرف بـ RLNIR (Reinforcement Learning-based Network Intrusion Recovery). يعتمد النهج المقترح على تحليل ديناميكي لحركة المرور داخل الشبكة وتحديد المسارات البديلة بشكل فوري عند اكتشاف التطفل، مما يضمن تقليل زمن استعادة التدفق وتحسين تخصيص عرض النطاق الترددي. تم تقييم أداء النموذج المقترح عبر مقارنته بعدة استراتيجيات تقليدية ومتقدمة، بما في ذلك نهج التعلم الآلي في النموذج الأساسي (ML approach in Baseline)، نهج المسار الأسرع للاستردادFRT (Fast Rerouting )، النهج الاستباقي (Proactive Approach)، ونهج MLBNIR(Machine Learning Based Network Intrusion Recovery) المدعوم بالتعلم الآلي. أظهرت النتائج أن RLNIR تفوق على جميع المناهج السابقة، حيث تمكن من تقليل زمن استعادة التدفق إلى 8 مللي ثانية فقط مقارنة بـ 55 مللي ثانية في النهج التقليدي، كما حقق تخصيصاً محسناً لعرض النطاق الترددي بقيمة 900 ميجابت في الثانية، وهو أعلى مستوى بين جميع الأساليب المقارنة. تؤكد هذه النتائج أهمية استخدام التعلم المعزز كنهج مستقبلي لاستعادة التطفل في SDN، حيث يسمح بتحسين المرونة الأمنية، الاستجابة السريعة للهجمات، وتحقيق توزيع ديناميكي للموارد الشبكية بفعالية.