在软件定义网络SDN中对网络流量的DDoS分类,使用混合卷积和封闭循环神经网络

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:

• 分布式拒绝服务 (DDoS) 攻击对软件定义网络 (SDN) 环境构成重大威胁.
• 在SDN中,有效的网络攻击检测依赖于快速而准确的网络流量分类.
• 深度学习 (DL) 模型为智能威胁检测提供了强大的功能.

研究的目的:

• 评估六种深度学习模型,用于SDN网络流量的二进制分类 (良性与攻击).
• 提出和评估一种新的混合卷积神经网络门循环单元 (CNN-GRU) 模型.
• 为了解决SDN流量数据集中的类不平衡,使用合成少数群体过量采样技术 (SMOTE).

主要方法:

• 与多层感知器 (MLP),1D-CNN,LSTM,GRU,RNN和混合CNN-GRU模型进行比较.
• 应用SMOTE进行数据平衡,然后进行特征规范化和3D数据重塑.
• 使用Adam优化器和早期停止训练模型;使用分层列车测试分割和5倍交叉验证进行评估.

主要成果:

• 拟议的CNN-GRU混合模型实现了完美的测试性能:100%的准确性,精度,回忆,F1得分和ROC AUC.
• 混合模型显示出出色的概括性,平均交叉验证准确率为99.70%±0.09%,平均AUC为1.0000.
• 在准确性和稳定性方面,CNN-GRU模型在SDN入侵检测方面始终优于个别DL模型.

结论:

• 混合CNN-GRU模型在SDN环境中对准确的入侵检测非常有效.
• 结合卷积和循环架构,以及像SMOTE这样的数据平衡技术,显著提高了检测能力.
• 这些发现验证了先进深度学习方法在强大的网络安全方面的潜力.