软行为关键算法和改进的GNN模型用于对分类光网络的安全访问控制

科学领域:

• 网络安全 网络安全
• 光学网络 光学网络
• 人工智能的人工智能
• 强化学习是一种强化学习.

背景情况:

• 由于动态拓演变和多维安全威胁,分解光学网络面临着协调防御的挑战.
• 现有的安全政策往往是静态的,并且很难适应现代大规模光学网络环境的复杂性.
• 适应性,主动性安全机制的需求对于确保这些网络的弹性和服务质量至关重要.

研究的目的:

• 引入图形纠安全行为者-关键 (GESAC) 模型,以提高分解光学网络的安全性和弹性.
• 开发一种时空建模方法,以捕捉适应性安全边界划分的因果依赖性.
• 通过智能访问控制策略,共同优化网络安全,服务质量和系统弹性.

主要方法:

• 利用跨层时空图形神经网络 (GNN) 来建模不断演变的网络拓,并捕捉因果依赖.
• 采用软行动者-关键 (SAC) 算法,与引导的多目标强化学习集成,用于政策优化.
• 在一个异质数据集上验证模型,包括网络拓数据,入侵检测日志和威胁特征,涵盖12种攻击场景.

主要成果:

• 在物理层攻击检测方面获得高F1分数 (0.915-0.931) 低假阳性率 (0.7%).
• 在资源优化方面取得了显著的改进,波长利用差异增加了高达58.9%,延迟标准偏差减少了高达57.7%.
• 显示出强大的政策稳定性,帕雷托边界覆盖率增加了100%以上,并在拓突变下降了65%的政策衰率.
• 展示了出色的可扩展性,在10万个节点实现了25.6μs的单步决策延迟,并减少了通信开销.

结论:

• 该GESAC模型有效地克服了动态,大规模光学网络中静态安全政策的局限性.
• 将因果推理与游戏理论平衡相结合,将安全范式从被动防御转变为主动弹性.
• 为下一代架构提供基础,为多域协作和计算网络融合提供可解释,高度适应的安全性.