在SDN中使用配备优化器的CNN-MLP进行分布式拒绝服务 (DDoS) 攻击检测

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 软件定义网络 (SDN) 提供了增强的网络控制,但存在独特的安全漏洞.
• SDN控制器的集中架构使它们易受分布式拒绝服务 (DDoS) 攻击,影响网络稳定性和服务可用性.

研究的目的:

• 开发和评估先进的机器学习模型,以准确有效地检测SDN环境中的DDoS攻击.
• 通过功能选择和超参数优化来提高DDoS攻击检测的精度和减少虚假阳性.

主要方法:

• 实现多层感知器 (MLP) 和卷积神经网络 (CNN) 用于DDoS攻击的检测.
• 使用SHAP (SHapley添加式扩展) 进行特征选择以识别关键攻击指标.
• 贝叶斯优化的应用用于微调模型超参数以最大限度地提高性能.

主要成果:

• 拟议的MLP和CNN模型在检测DDoS攻击方面表现出极高的准确性.
• 在CICDDoS-2019数据集上达到99.95%的真实阳性率,在InSDN数据集上达到99.98%.
• SHAP特征选择和贝叶斯优化显著提高了检测效率,减少了假阳性.

结论:

• 将MLP和CNN与先进的优化技术集成在一起,为SDN中的DDoS攻击检测提供了一个强大的解决方案.
• 这些发现强调了机器学习在保护复杂网络基础设施免受复杂的网络威胁方面的有效性.
• 这项研究为在软件定义网络中减轻DDoS攻击提供了一个高度准确和高效的方法.