ソフトウェア定義ネットワークにおけるDDoS攻撃検出のためのハイブリッド機械学習アプローチ

科学分野:

• コンピュータサイエンス
• ネットワークセキュリティ
• 機械学習

背景:

• ソフトウェア定義ネットワーキング（SDN）はプログラマビリティを提供しますが、分散型サービス拒否（DDoS）などの攻撃に対する脆弱性を導入します。
• 既存の検出方法は、SDN環境に対する特異性が欠けていることが多く、SDN対応のトラフィック機能が必要とされています。
• OpenFlowベースのネットワークでは、効果的な脅威識別のために調整されたアプローチが必要です。

研究 の 目的:

• SDNにおけるDDoS攻撃の早期検出のための機械学習フレームワークを開発および評価すること。
• 脅威識別の改善のために、新しいSDN固有のトラフィック機能をエンジニアリングすること。
• ハイブリッド型ランダムフォレスト（RF）およびXGBoost（XGB）分類モデルのパフォーマンスを評価すること。

主な方法:

• RyuコントローラーおよびOpen vSwitchを使用したSDNテストベッドからデータセットを構築しました。
• OpenFlow監視メッセージを介してフローおよびポートレベルの統計情報を収集しました。
• SDN固有の機能をエンジニアリングし、ハイブリッドRF-XGB分類モデルを開発しました。

主要な成果:

• ハイブリッドRF-XGBモデルは、正常なトラフィックと悪意のあるトラフィックを区別する上で99.36%の精度を達成しました。
• 個々のランダムフォレストおよびXGBoost分類器と比較して優れたパフォーマンスを示しました。
• 受信者操作特性（ROC）曲線下面積（AUC）および混同行列評価において、ほぼ完璧な識別能力を示しました。

結論:

• SDN固有の特徴量エンジニアリングとアンサンブル学習（RF-XGB）を組み合わせることは、DDoSの早期検出に非常に効果的です。
• 提案されたフレームワークは、プログラム可能なネットワークのセキュリティを強化するための信頼性の高いソリューションを提供します。
• SDN対応の特徴量は、洗練されたネットワーク脅威を正確に特定するために不可欠です。