软件定义的网络入侵系统用于检测计算机中的恶意攻击物联网安全使用深度提取器监督随机森林技术.
Muhammad Mujahid1, Abeer Rashad Mirdad1, Faten S Alamri2
1Artificial Intelligence & Data Analytics Lab, CCIS, Prince Sultan University, Riyadh, Saudi Arabia.
PeerJ. Computer science
|September 24, 2025
概括
本研究介绍了一种轻量级的入侵检测系统,用于使用长短期内存 (LSTM) 和监督随机森林 (SRF) 的软件定义网络 (SDN). 该方法在检测各种网络攻击方面实现了高精度,提高了SDN安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 软件定义网络 (SDN) 与传统网络相比,提供了潜在的成本和服务交付优势.
- SDN架构引入了独特的安全漏洞,包括单点故障.
- 有效的入侵检测系统 (IDS) 对于在SDN环境中减轻DDoS,DoS,Web攻击和Bot-NET等威胁至关重要.
研究的目的:
- 提出一种新的,轻量级的方法来检测SDN环境中的各种网络攻击.
- 解决现有的机器学习方法在SDN入侵检测的灵活性和准确性方面的局限性.
主要方法:
- 开发了一种轻量级的入侵检测方法,利用长短期内存 (LSTM) 网络来分析SDN数据中的时间模式.
- 使用监督随机森林 (SRF) 基于提取的特征进行准确的攻击预测.
- 使用预处理的数据集,包括207,146行和84个特征,用于培训和验证.
主要成果:
- 在主要数据集上实现了99.93%的准确性和0.0090的攻击检测损失.
- 在单独的SDN数据集上验证了该方法的有效性,为多类攻击检测提供了99.43%的准确性.
- 证明SRF模型通过减少计算复杂性来提高整体效率.
结论:
- 拟议的轻量级LSTM和SRF方法在检测各种SDN攻击方面非常有效.
- 与现有的机器学习技术相比,这种方法提供了更好的准确性和灵活性.
- 这种解决方案增强了SDN架构的安全姿态.
