MISSION-AWARE ADMISSION AND RESILIENT ROUTING OF CRITICAL FLOWS

Юлія Хохлачова

doi:10.28925/2663-4023.2025.35.1350

Автор(и)

Юлія Хохлачова Державний торговельно-економічний університет, Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0002-0787-5112

DOI:

https://doi.org/10.28925/2663-4023.2025.35.1350

Ключові слова:

контрольоване відкатування, синтетична оцінка, польове випробування.

Анотація

Хмарні системи, що передають критично важливі повідомлення, стикаються з проблемою керування, яку не можна звести до загальної фільтрації DDoS-атак або еластичного масштабування. Під час зловмисного флуду, легітимного флеш-натовпу, компрометації шлюзу або мережевого розділу, одне й те саме сукупне навантаження може вимагати протилежних дій: відхилення, збереження пріоритету, локального перемикання на резервний архів, перемаршрутизації або контрольованого перевантаження в хмару. У цій статті пропонується адаптивний метод керування допуском та стійкої маршрутизації, що враховує завдання, який спільно використовує функціональну критичність, довіру до джерела, термін доставки, стан черги, доступність резервного шляху та прогнозований каскадний вплив. Контролер розрізняє ворожі та легітимні сплески, призначає класи обслуговування, вибирає можливий шлях з низьким рівнем ризику та активує локальне перемикання на резервний архів або перенесення в хмару лише тоді, коли виконуються обмеження ресурсів та безпеки. Кожне втручання обмежене часом життя, обмеженням радіуса вибуху, перевіркою після дії та контрольованою умовою відкату. Метод визначено як обмежену багатоцільову оптимізаційну задачу та реалізовано як контролер із замкнутим циклом, придатний для периферійних середовищ з підтримкою SDN/NFV. Протокол оцінювання V2–V3 визначено навколо реального стеку обміну повідомленнями, компонентів SDN/NFV, граничних вузлів, сценаріїв DDoS/флеш-натовпу/розділу та базових показників справедливого використання ресурсів: статичні ACL, обмеження фіксованої швидкості, автоматичне масштабування хмари та перемаршрутизація на основі правил. Основними показниками є втрата місії, доступність до дедлайну, затримка p95/p99, втрата легітимного трафіку, MTTR, вартість комутації та накладні витрати контролера. Оскільки перевірені польові вимірювання ще недоступні, розділ результатів заповнено чітко позначеними синтетичними даними, отриманими за допомогою дискретного моделювання еталонної топології V2 (30 насінин на комірку); ці значення ілюструють очікувану структуру ефекту та калібрують запропоноване польове випробування, але не є емпіричними висновками. У конструкції надмірне блокування легітимних потоків або порушення SLA розглядається як негативний результат, навіть за умови зменшення трафіку атаки. Таким чином, дослідження виокремлює внесок оптимізації управління потоком з урахуванням місії, надає відтворюваний протокол для визначення того, коли його накладні витрати виправдані, та формулює пропозицію поетапного польового випробування з чіткими критеріями «йти/не йти».

Завантаження

Дані завантаження ще не доступні.

Посилання

Yu, S., Zhou, W., Jia, W., Guo, S., Xiang, Y., & Tang, F. (2012). Discriminating DDoS attacks from flash crowds using flow correlation coefficient. IEEE Transactions on Parallel and Distributed Systems, 23(6), 1073–1080. https://doi.org/10.1109/TPDS.2011.262

David, J., & Thomas, C. (2021). Discriminating flash crowds from DDoS attacks using efficient thresholding algorithm. Journal of Parallel and Distributed Computing, 152, 79–87. https://doi.org/10.1016/j.jpdc.2021.02.019

Alves da Silva, A. A., Silva, L. S., Bezerra, E. L., Guelfi, A. E., de Armas, C., Teixeira de Azevedo, M., & Kofuji, S. T. (2022). A proposal to distinguish DDoS traffic in flash crowd environments. International Journal of Information Security and Privacy, 16(1), 1–16. https://doi.org/10.4018/IJISP.2022010104

Devi, N. N., & Singh, K. J. (2025). Detecting and differentiating the DDoS and flash events using adaptive deep learning models. Applied Soft Computing, 171, Article 112669. https://doi.org/10.1016/j.asoc.2024.112669

Qu, C., Calheiros, R. N., & Buyya, R. (2018). Auto-scaling web applications in clouds: A taxonomy and survey. ACM Computing Surveys, 51(4), Article 73. https://doi.org/10.1145/3148149

Somani, G., Gaur, M. S., Sanghi, D., Conti, M., & Buyya, R. (2017). DDoS attacks in cloud computing: Issues, taxonomy, and future directions. Computer Communications, 107, 30–48. https://doi.org/10.1016/j.comcom.2017.03.010

Bremler-Barr, A., Brosh, E., & Sides, M. (2017). DDoS attack on cloud auto-scaling mechanisms. In IEEE INFOCOM 2017—IEEE Conference on Computer Communications (pp. 1–9). IEEE. https://doi.org/10.1109/INFOCOM.2017.8057010

Cascone, C., Sanvito, D., Pollini, L., Capone, A., & Sansò, B. (2017). Fast failure detection and recovery in SDN with stateful data plane. International Journal of Network Management, 27(2), Article e1957. https://doi.org/10.1002/nem.1957

Ni, H., Guo, Z., Li, C., Dou, S., Yao, C., & Baker, T. (2022). Network coding-based resilient routing for maintaining data security and availability in software-defined networks. Journal of Network and Computer Applications, 205, Article 103372. https://doi.org/10.1016/j.jnca.2022.103372

Tahir, H., Akhtar Abid, S., Ali, A., Chaudhary, M. T., Shah, N., Nawaz, R., Al-Fuqaha, A., & Ahmad, F. (2025). Scalable and resilient routing for in-band SDNs with a distributed hash table-based approach. International Journal of Communication Systems, 38(16), Article e70248. https://doi.org/10.1002/dac.70248

Sahay, R., Blanc, G., Zhang, Z., & Debar, H. (2017). ArOMA: An SDN-based autonomic DDoS mitigation framework. Computers & Security, 70, 482–499. https://doi.org/10.1016/j.cose.2017.07.008

Musa, M., Ang, T. F., Chen, Y.-L., Bhatti, U. A., Ku, C. S., Luo, Y., Chen, J., & Por, L. Y. (2026). Distributed denial of service detection and mitigation in software-defined networking-enabled software-defined wide area networks. PLOS ONE, 21(5), Article e0346673. https://doi.org/10.1371/journal.pone.0346673

Juan Ferrer, A., Panadero, J., Marques, J. M., & Jorba, J. (2021). Admission control for ad-hoc edge cloud. Future Generation Computer Systems, 114, 548–562. https://doi.org/10.1016/j.future.2020.08.024

Bakri, S., Brik, B., & Ksentini, A. (2021). On using reinforcement learning for network slice admission control in 5G: Offline vs. online. International Journal of Communication Systems, 34(7), Article e4757. https://doi.org/10.1002/dac.4757

Wang, J., Li, J., & Liu, J. (2024). Digital twin-assisted flexible slice admission control for 5G core network: A deep reinforcement learning approach. Future Generation Computer Systems, 153, 467–476. https://doi.org/10.1016/j.future.2023.12.018

Mendis, H. V. K., Lange, S., & Heegaard, P. E. (2024). Admission control in intent-based network slices for the smart grid usecase. In 2024 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm) (pp. 405–411). IEEE. https://doi.org/10.1109/SmartGridComm60555.2024.10738080

Tao, Z., Xu, W., & You, X. (2025). Digital twin-accelerated online deep reinforcement learning for admission control in sliced communication networks. IEEE Transactions on Communications, 73(4), 2490–2504. https://doi.org/10.1109/TCOMM.2024.3476430