مجازی سازی تابع شبکه، جعبه‌های میانی سخت‌افزاری را به مجموعه‌ای از تابع شبکه مجازی مبتنی بر نرم‌افزار تبدیل می‌کند که می‌تواند میزبان تقاضای رو به رشد سرویس‌های حساس به تأخیر در شبکه های مبتنی بر محاسبات ابر-مه باشد. مکان‌یابی پویا زنجیره توابع سرویس با استفاده مجدد از نمونه های توابع شبکه می‌تواند منجر به بهبود استفاده از منابع و صرفه جویی در زمان شود. برای رسیدگی به این مسئله، ما یک روش مکان‌یابی زنجیره توابع سرویس موازی شده با استفاده مجدد از تابع شبکه در شبکه های مبتنی بر محاسبات ابر-مه را پیشنهاد می کنیم. در اینجا، مسئله مکان‌یابی با استفاده از رویکردهای یادگیری تقویتی عمیق باهدف حداکثر سازی پاداش تجمعی بلندمدت پیکربندی‌شده است. این روش با اشتراک گذاشته توابع شبکه به‌صورت موازی می‌تواند شتاب محاسباتی را در ارائه سرویس‌های آنلاین محقق کند. علاوه بر این، روش پیشنهادی با استخراج توزیع توابع شبکه مقداردهی شده توانایی پذیرش درخواست های آینده را افزایش می دهد. نتایج شبیه‌سازی برتری روش پیشنهادی نشان می دهد، جایی که با در نظر گرفتن معیار هزینه پولی بیش از 7% نسبت به بهترین روش های موجود عملکرد بهتری دارد. تفاصيل المقالة

حملات DDoS با ارسال حجم زیادی از ترافیک کاذب توسط بات‌نت‌ها، سرویس‌های شبکه را از دسترس کاربران خارج می‌کنند. یکی از روش‌های مقابله با حملات DDoS، استفاده از یادگیری ماشین است، اما این روش‌ها با چالش‌هایی مانند حجم بالای ترافیک IoT و عدم توازن در داده‌ها مواجه‌اند. این مقاله سیستم تشخیص نفوذ توزیع‌شده‌ای در لایه مه معرفی می‌کند که به‌صورت غیرمتمرکز ترافیک حملات شبکه را شناسایی می‌کند. در این روش، هر گره مه به عنوان سیستم تشخیص نفوذ عمل کرده و با تبادل لیست سیاه‌ها از طریق بلاکچین، محرمانگی شناسایی حملات را افزایش می‌دهند. گره های مه ویژگی‌های اصلی ترافیک شبکه را با استفاده از الگوریتم بهینه‌سازی کوآتی(Coati) شناسایی کرده و از این ویژگی‌ها برای آموزش شبکه عصبی چندلایه ا در تشخیص نفوذ استفاده می‌کنند. انتخاب ویژگی‌ها ترافیک را کاهش داده و دقت و سرعت شناسایی حملات را افزایش می‌دهد. برای تعادل ترافیک شبکه، از روش GAN بر اساس نظریه بازی‌ها استفاده می‌شود. آزمایش‌ها در محیط نرم‌افزاری متلب و روی NSL-KDD نشان می‌دهد که سیستم پیشنهادی دارای دقت، حساسیت و صحتی به ترتیب 98.67%، 98.52% و 98.34% است. این روش در شناسایی حملات شبکه دقیق‌تر از روش‌های انتخاب ویژگی مانند WOA، GWO و HHO و نیز دقیق‌تر از LSTM وCNN است.

تفاصيل المقالة