基于深度强化学习的入侵检测方案用于软件定义网络
1Department of Artificial Intelligence and Data Science, A.V.C. College of Engineering, Mayiladuthurai, Tamilnadu, India. kanimozhivedharajan@gmail.com.
Scientific reports
|November 5, 2025
概括
一个基于深度强化学习的入侵检测系统 (DRL-IDS) 增强了软件定义网络 (SDN) 的安全性. 这种先进的系统有效地检测和减轻各种网络威胁,具有高准确性和适应性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 网络工程 网络工程
背景情况:
- 软件定义网络 (SDN) 由于其集中控制层面,提出了独特的安全挑战.
- 分布式拒绝服务 (DDoS) 攻击和网络不当行为对SDN环境构成重大威胁.
- 现有的入侵检测系统经常与现代网络的动态性质和复杂性作斗争.
研究的目的:
- 开发和评估一个强大的基于深度强化学习的入侵检测系统 (DRL-IDS),以提高SDN安全性.
- 集成长短时间序列重复神经网络 (LFTS-RNN) 进行准确的攻击检测和粒子云集成联合时间和特征优化算法 (PC-JTFOA) 进行网络管理.
- 改进各种网络威胁的检测和缓解,包括DDoS攻击和网络不当行为.
主要方法:
- 这是一个混合模型,它结合了LFTS-RNN用于威胁识别和PC-JTFOA用于特征选择,负载平衡和节能路由.
- 利用深度强化学习来持续适应不断变化的网络行为和新出现的攻击向量.
- 使用NSL-KDD和WPPD数据集进行实验验证,以评估性能.
主要成果:
- LFTS-RNN模型实现了高灵敏度 (98.67%) 和高特异性 (97.42%).
- 该DRL-IDS方案显示出卓越的检测准确性 (99.85%) 和适应性.
- PC-JTFOA组件导致低响应时间 (1423毫秒),表明计算效率有所提高.
结论:
- 拟议的DRL-IDS方案在准确性和适应性方面明显优于现有的入侵检测方法.
- 混合方法有效地解决了SDN不同层面的安全漏洞.
- DRL-IDS提供了一种计算效率高和强大的解决方案,用于保护SDN环境免受各种网络威胁.