МЕТОД ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНАЛЬНОЇ СТІЙКОСТІ ПРОГРАМНО-КЕРОВАНИХ МЕРЕЖ В УМОВАХ ВПЛИВУ КІБЕРАТАК

Юрій КРАВЧЕНКО; Олена ФІСУН

doi:10.17721/ISTS.2025.10.83-95

Автор(и)

Юрій КРАВЧЕНКО Київський національний університет імені Тараса Шевченка Автор https://orcid.org/0000-0002-0281-4396
Олена ФІСУН Київський національний університет імені Тараса Шевченка Автор https://orcid.org/0009-0009-6640-3818

DOI:

https://doi.org/10.17721/ISTS.2025.10.83-95

Ключові слова:

програмно-керована мережа, функціональна стійкість, кібератака, стохастичне моделювання, рекурентна нейронна мережа

Анотація

Вступ. В умовах стрімкого розвитку мережевих технологій архітектура Software-Defined Networking (SDN) стала основою для побудови гнучких і керованих корпоративних мереж. Проте її централізована природа створює потенційні вразливості, що можуть бути використані зловмисниками для дестабілізації управління мережею. Забезпечення функціональної стійкості SDN в умовах кібератак різної інтенсивності є складною задачею, оскільки потребує динамічної адаптації параметрів управління для запобігання переходу системи в критичні стани.

Методи. Запропоновано метод підтримання функціональної стійкості SDN на основі поєднання стохастич-ного моделювання та рекурентних нейронних мереж типу LSTM (Long Short-Term Memory). Модель SDN формалізовано як систему з п'ятьма можливими станами та набором інтенсивностей переходів між ними. LSTM-модуль виконує функцію адаптивного регулятора, який у процесі роботи оцінює імовірності перебування системи в різних станах і коригує окремі інтенсивності переходів із метою підтримання цільового рівня функціональної стійкості. Для навчання LSTM застосовано поєднання імітаційного та підкріплювального підходів, що дає змогу враховувати як попередньо змодельовані сценарії атак, так і поточний стан мережі.

Результати. Розроблений метод продемонстрував ефективність у підтриманні стійкого функціонування SDN за рахунок своєчасного коригування параметрів системи у разі зміни інтенсивності загроз. Імітаційне моделювання для трьох сценаріїв (низький, середній і високий рівні загрози) показало, що без корекції параметрів стійкість зберігається лише за низького рівня атак, тоді як для середнього та високого рівнів у певні моменти часу спостерігаються критичні відхилення. Застосування LSTM-контролера дозволило вчасно виявляти ці моменти й адаптивно оновлювати інтенсивності переходів, відновлюючи стійкість мережі.

Висновки. Запропонований метод забезпечення функціональної стійкості SDN на основі LSTM дає змогу створити інтелектуальну систему адаптивного управління, здатну підтримувати стабільність мережі в умовах дестабілізуючих впливів кібератак. Результати моделювання підтверджують доцільність використання нейромережевих механізмів для прогнозування станів і корекції параметрів SDN у реальному часі. У перспективі планується розширити модель для багаторівневих SDN-архітектур і дослідити вплив просторової топології на ефективність адаптивного управління.

Завантажити

Дані для завантаження поки недоступні.

Посилання

Кравченко, Ю. В., & Фісун, О. С. (2025). Аналіз існуючих методів забезпечення функціональної стійкості складних систем для удосконалення комп'ютерних мереж. Зв'язок, 3, 29–35. https://doi.org/10.31673/2412-9070.2025.025385

Alharbi, A., Alsubhi, K., Alghamdi, A., & Alotaibi, F. (2023). Blockchain-based decentralized security framework for software-defined networks. IEEE Access, 11, 36540–36555. https://doi.org/10.1109/ACCESS.2023.3258792

Amin, M. B. M., & Ahmad, S. S. (2022). Laplace Transform for Solving System of Integro-Fractional Differential Equations of Volterra Type with Variable Coefficients and Multi-Time Delay. Symmetry, 14(5), 984. https://doi.org/10.3390/sym14050984

Chen, Y., Zhang, L., Wang, Y., & Xu, J. (2021). Deep neural network-based anomaly detection in software-defined networking. Computer Networks, 195, 108180. https://doi.org/10.1016/j.comnet.2021.108180

Chhaytli, Y., & Persikov, A. (2021). Cyber-resilient routing mechanisms for SDN. Journal of Network and Computer Applications, 187, 103097. https://doi.org/10.1016/j.jnca.2021.103097

Farooq, M., Riaz, Q., & Alvi, S. (2023). Security challenges and solutions in software-defined networking: A systematic review. Journal of Information Security and Applications, 74, 103453. https://doi.org/10.1016/j.jisa.2023.103453

Hoang, T., Nguyen, H., & Pham, Q. (2024). LSTM-based predictive routing for adaptive resource allocation in SDN environments. Future Generation Computer Systems, 154, 328–340. https://doi.org/10.1016/j.future.2023.10.026

Karakus, M., & Durresi, A. (2017). Quality of Service (QoS) in Software Defined Networking (SDN): A survey. Journal of Network and Computer Applications, 80, 2017, 200–218. https://doi.org/10.1016/j.jnca.2016.12.019

Kotenko, I., Saenko, I., Privalov, A., & Lauta, O. (2023). Ensuring SDN Resilience under the Influence of Cyber Attacks: Combining Methods of Topological Transformation of Stochastic Networks, Markov Processes, and Neural Networks. Big Data Cogn. Comput, 7, 66. https://doi.org/10.3390/bdcc7020066

Kravets, V., Kapitsa, M., Domanskyi, I., Kravets, V., Hryshechkina, T., & Zakurday, S. (2024). Devising an analytical method for solving the eighth-order Kolmogorov equations for an asymmetric Markov chain. Eastern-European Journal of Enterprise Technologies, 5(4(131)), 33–41. https://doi.org/10.15587/ 1729-4061.2024.312971

Krichen, M., & Mihoub, A. (2025). Long Short-Term Memory networks: A comprehensive survey. AI, 6(9), 215. https://doi.org/10.3390/ai6090215

Liu, X., Zhao, P., & Yang, K. (2023). Hybrid deep learning model for anomaly detection in SDN using CNN and attention mechanisms. IEEE Transactions on Network and Service Management, 20(2), 2331–2343. https://doi.org/10.1109/TNSM.2023.3234456

Lu, W., Hsu, C., & Chang, Y. (2020). A matrix approach for analyzing signal flow graph. Information, 11(12), 562. https://doi.org/10.3390/info11120562

Malik, A., & Singh, B. (2023). Application of Heaviside expansion method for solving fractional order differential equations in control systems. Fractional Calculus and Applied Analysis, 26(2), 541–562. https://doi.org/10.1515/fca-2023-0034

Olah, Ch. (2015). Understanding LSTM Networks. https://colah.github.io/posts/2015-08-Understanding-LSTMs/

Qin, Y., Li, H., & Zhang, D. (2023). Fault diagnosability evaluation method based on multi-signal flow graph and similarity measure. Systems Engineering and Electronics, 45(1), 302–312. https://doi.org/10.12305/j.issn.1001-506X.2023.01.35

Robert, P. (2013). Stochastic Networks and Queues. Springer Science & Business Media.

Sahu, R., Choudhury, S., & Misra, S. (2022). LSTM-based anomaly detection in software-defined networking environments. IEEE Transactions on Network and Service Management, 19(3), 2471–2484. https://doi.org/10.1109/TNSM.2022.3158729

Scott-Hayward, S., O'Callaghan, G., & Sezer, S. (2013). SDN Security: A Survey. In 2013 IEEE SDN for Future Networks and Services (SDN4FNS) (pp. 1–7). https://doi.org/10.1109/SDN4FNS.2013.6702553

Silva, A., Smith, P., & Mauthe, A., & Schaeffer-Filho, A. (2015). Resilience support in software-defined networking: A survey. Computer Networks, 92, 189–207. https://doi.org/10.1016/j.comnet.2015.09.012

Srikant, R., & Ying, L. (2014). Communication Networks: An Optimization, Control, and Stochastic Networks Perspective. Cambridge University Press.

Sun, Y., Peng, M., Zhou, Y., Huang, Y., & Mao, S. (2019). Application of deep reinforcement learning in mobile networks: A survey. IEEE Communications Surveys & Tutorials, 21(4), 3133–3174. https://doi.org/10.1109/COMST.2019.2924243

Wang, J., Li, Z., & Xu, T. (2022). Reinforcement learning-based adaptive traffic control in SDN. Computer Communications, 188, 125–135. https://doi.org/10.1016/j.comcom.2022.02.012