多层SDN安全性与MAC认证和基于GAN的入侵检测

科学领域:

• 网络安全
• 计算机网络
• 深度学习

背景情况:

• 软件定义网络 (SDN) 由于其在5G数据传输中的作用,越来越多地成为网络攻击的目标.
• 现有的入侵检测系统的准确性很低,假阳性率很高,因此需要先进的解决方案.

研究的目的:

• 为SDN环境开发一个强大的多层入侵检测系统.
• 通过先进的认证和深度学习技术提高网络安全性和效率.

主要方法:

• 采用圆曲线密码进行安全和高效的身份验证.
• 应用单变组合特征选择以实现最佳的交换机选择.
• 使用双歧视条件生成对抗网络 (DDcGAN),通过羊群优化算法 (SFOA) 进行优化,用于分类网络流量.
• 使用增长的自我组织地图 (GSOM) 来分类可疑的包.

主要成果:

• 基于DDcGAN的入侵检测系统实现了98.29%的高精度和0.975的F1得分.
• 在精度,灵敏度和虚假阳性率降低方面表现优于最先进的方法 (2.05%).
• 即使有50%的恶意节点,也实现了99.04%的真实阳性率,并报告了4.5%的节能.

结论:

• 提出的四个Q曲线认证和基于DDcGAN的入侵检测系统为SDN环境的安全提供了显著的进步.
• 该系统有效地平衡了高检测精度与计算效率和降低能源消耗.
• 这项研究为先进网络基础设施的未来网络安全解决方案提供了有希望的框架.