在使用深度学习方法的软件定义网络中检测入侵
M Sami Ataa1, Eman E Sanad2, Reda A El-Khoribi2
1Fuclty of Computers and Artificial Intelligence, Cairo University, Giza, Egypt. m.ataa@fci-cu.edu.eg.
Scientific reports
|November 25, 2024
概括
这项研究开发了用于软件定义网络 (SDN) 入侵检测的深度学习 (DL) 模型. 变压器模型实现了99.02%的准确性,增强了SDN网络的网络安全.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 计算机网络 计算机网络
背景情况:
- 软件定义网络 (SDN) 提供可编程性和集中控制,但引入了新的漏洞.
- 机器学习 (ML),特别是深度学习 (DL),越来越多地应用于解决SDN安全挑战.
- 侵入检测系统 (IDS) 对于识别和减轻SDN环境中的威胁至关重要.
研究的目的:
- 开发和比较先进的深度学习 (DL) 模型,以便在SDN网络中增强入侵检测.
- 评估混合CNN-LSTM和变压器编码器专用架构的SDN安全性性能.
- 调查特征减少和攻击类合并对模型准确性的影响.
主要方法:
- 开发并比较了两个DL模型:一种混合CNN-LSTM架构和一种仅用于转换器编码器的架构.
- 利用InSDN数据集进行培训和测试,专注于SDN控制器.
- 使用精度,精度,回忆和F1评分评估模型,包括具有功能减少和合并攻击类的实验.
主要成果:
- 变压器模型以48个特征实现了99.02%的准确性;CNN-LSTM模型实现了99.01%.
- 功能减少影响了模型性能,CNN-LSTM模型在合并攻击类后使用6个功能达到99.19%的准确性.
- 二元分类 (合并所有攻击) 进一步提高了两种模型的准确性,增强了最先进的结果.
结论:
- 先进的DL模型,特别是变压器和CNN-LSTM架构,在检测SDN网络入侵方面表现出高效.
- 特性工程和攻击类的战略合并可以显著提高IDS性能.
- 开发的模型为增强SDN网络网络网络安全提供了强大的解决方案.
