基于动态图形神经网络的框架,以提高在DDOS下SDN的检测精度

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 人工智能的人工智能

背景情况:

• 软件定义网络 (SDN) 将网络管理集中,为分布式拒绝服务 (DDoS) 攻击创造漏洞.
• 现有的入侵检测系统与不断变化的攻击模式以及捕获复杂的SDN拓特征作斗争.

研究的目的:

• 提出GCTNetwork,一个创新的框架,利用动态图神经网络 (DGNN) 来实时识别SDN中的DDoS攻击.
• 提高 SDN 环境中超越传统和当前深度学习模型的检测能力.

主要方法:

• GCTNetwork集成了Gated Convolutional Temporal (GCT) 层,用于节点边缘特征分析.
• 使用Edge-Aware LSTM来建模时间依赖,并使用GAT来强调通信路径.
• 利用SDN数据集进行培训和验证.

主要成果:

• 在SDN数据集上,GCTNetwork实现了94.08%的准确性和93.27%的F1得分.
• 性能优于像LR-STGCN,GRAN和ST-GCN这样的先进模型.
• 证明了高可靠性,虚假报警指数 (FAI) 为0.06,表明有效减少警报.

结论:

• 在SDN中,GCTNetwork提供了精确,高效和稳定的DDoS检测.
• 动态,边缘意识的图形学习显著提高SDN基础设施内的安全性.
• 该框架显示了稳定的趋同和一般化,没有过度拟合.