在使用联合学习方法的软件定义网络中,用于自主恶意软件检测和防御的可扩展架构

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 网络安全架构 网络安全架构

背景情况:

• 软件定义网络 (SDN) 提供集中控制,但需要强有力的安全措施.
• 传统的恶意软件检测与现代网络的规模和动态性质作斗争.
• 联合学习 (FL) 为分布式机器学习提供了一种保护隐私的方法.

研究的目的:

• 为使用联合学习 (FL) 的 SDN 提出可扩展和自主恶意软件检测和防御架构.
• 将SDN的数据处理与FL的分散学习相结合,以实现可适应的网络安全.
• 评估架构在不同数据条件下检测各种网络威胁的性能.

主要方法:

• 开发一种新的架构,将SDN功能与FL原则相结合.
• 实施分布式学习方法,只共享模型更新,保护数据隐私.
• 使用平衡和不平衡的现实世界数据集进行测试和性能分析 (例如,CICIDS 2017,UNSW-NB15).

主要成果:

• 通过平衡数据集,实现了对受控DDoS和尸网络攻击的高达96%的检测率.
• 在不平衡,多样化的数据集和复杂的场景 (如数据泄露) 的现实模拟中,整体准确性降至59.50%.
• 证明了低延迟 (<1s),显著的吞吐量恢复 (300-500 Mbps),并最大限度地减少了通信开销.

结论:

• 拟议的基于FL的SDN架构为恶意软件检测提供了一个可扩展的,保护隐私的框架.
• 对主要威胁的有效性很高,但需要进一步增强,以检测微妙的攻击.
• 未来的工作应该集中在丰富的数据集和改进的功能工程,以应对现实世界的部署挑战.