提高5G边缘网络的安全性:使用SDN环境中的机器学习预测实时零信任攻击.
Fiza Ashfaq1, Muhammad Wasim1, Mumtaz Ali Shah2
1Department of Computer Science, UMT Sialkot Campus, KUST, Sialkot 51040, Pakistan.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
本研究引入了一种新的机器学习方法,用于实时检测分布式拒绝服务 (DDoS) 攻击. 拟议的系统在一秒钟内识别这些复杂的网络威胁时达到99%的准确性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 网络安全 网络安全
背景情况:
- 互联网面临越来越多的网络威胁,包括复杂的分布式拒绝服务 (DDoS) 攻击.
- 传统的安全系统难以有效地检测高级DoS和DDoS攻击.
- 机器学习 (ML) 显示了增强攻击检测的前景,但实时功能仍然是一个挑战.
研究的目的:
- 开发和评估用于检测分布式拒绝服务 (DDoS) 攻击的实时系统.
- 解决当前安全解决方案在识别复杂网络入侵方面的局限性.
- 利用机器学习来准确和快速识别网络威胁.
主要方法:
- 使用Mininet和POX控制器创建了一个模拟的网络环境.
- 使用CICDDoS2019数据集进行攻击识别和分类.
- 预训练的机器学习模型在虚拟软件定义网络 (SDN) 中实时分析网络流量.
主要成果:
- 拟议的方法在检测DDoS攻击方面实现了99%的准确率.
- 该系统展示了快速检测时间,在1秒内识别攻击.
- 该模型成功地在模拟环境中分类和识别了各种DDoS攻击类型.
结论:
- 开发的基于机器学习的系统为实时DDoS攻击检测提供了高度准确和高效的解决方案.
- 机器学习与SDN的整合提供了一个强大的框架,用于增强网络安全,防止先进威胁.
- 这项研究有助于弥合复杂网络攻击的实时检测差距.


