在软件定义的网络环境中为下一代网络安全提供metaparameter优化的混合深度学习模型
C Labesh Kumar1, Suresh Betam2, Denis Pustokhin3
1Department of Mechanical Engineering, Institute of Aeronautical Engineering, Hyderabad, Telangana, India.
Scientific reports
|April 24, 2025
概括
本研究介绍了软件定义网络中的新网络安全,使用混合深度学习模型和二进制Narwhal优化器 (CSSDN-HDLBNO) 方法来打击分布式拒绝服务 (DDoS) 攻击. 这种新的方法在软件定义网络环境中检测这些威胁时达到99.40%的准确性.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 软件定义网络 (SDN) 集中控制,为分布式拒绝服务 (DDoS) 攻击等网络威胁创建漏洞.
- 深度学习 (DL) 模型虽然强大于入侵检测,但可能容易受到对抗性攻击,导致错误分类.
- 现有的网络入侵检测系统 (NIDS) 需要加强,以有效应对动态SDN环境中的复杂网络威胁.
研究的目的:
- 在软件定义网络中开发一种新的网络安全,利用混合深度学习模型和二进制鱼优化器 (CSSDN-HDLBNO) 方法.
- 提供可扩展和有效的解决方案,以保护SDN环境免受不断变化的网络威胁,特别是DDoS攻击.
- 提高SDN中网络威胁检测的准确性和稳定性.
主要方法:
- 使用min-max缩放进行数据规范化.
- 使用Binary Narwhal Optimizer (BNO) 进行特征选择.
- DDoS攻击分类采用卷积神经网络与双向门式反复单元和注意力机制 (CNN-BiGRU-AM).
- 使用海优化算法 (SOA) 的超参数调整.
主要成果:
- CSSDN-HDLBNO方法在检测SDN数据集中的DDoS攻击方面表现出卓越的性能.
- 实现了高精度99.40%,在各种评估指标上表现优于现有模型.
- 验证了拟议的混合深度学习和优化技术的有效性和稳定性.
结论:
- CSSDN-HDLBNO方法在保护SDN环境免受DDoS攻击方面取得了重大进展.
- 混合深度学习模型与先进的优化技术相结合,为网络入侵检测提供了一个强大的框架.
- 该研究强调了将新型优化算法与深度学习集成为增强网络安全解决方案的潜力.
