基于深度学习的SDN异常流量分布式检测方法

TN915.08; 针对传统异常流量检测方法在执行大规模软件定义网络(SDN)的检测任务时,存在运算开销大、共享链路繁忙,容易引起网络设备单点故障,导致软件定义网络服务质量下降甚至网络瘫痪等问题,提出一种基于深度学习的SDN异常流量分布式检测方法.该方法将部署在云端服务器的判别器与若干部署在SDN控制器的生成器构造为"一对多"的分布式生成对抗网络(D-VAE-WGAN),利用正常流量样本完成对D-VAE-WGAN的协同训练,在控制器上生成具有独立检测功能的异常流量检测代理,以实现大规模SDN环境下各控制器子网中异常流量的分布式检测.实验结果表明,该方法可以快速、准确地检测出...

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 45; no. 11; pp. 114 - 130
Main Authors 王坤, 付钰, 段雪源, 俞艺涵, 刘涛涛
Format Journal Article
LanguageChinese
Published 信阳职业技术学院信息与通信工程学院,河南 信阳 464000%海军工程大学信息安全系,湖北 武汉 430033%信阳师范大学计算机与信息技术学院,河南 信阳 464000 01.11.2024
海军工程大学信息安全系,湖北 武汉 430033
河南省教育大数据分析与应用重点实验室,河南 信阳 464000%海军工程大学作战运筹与规划系,湖北 武汉 430033
Subjects
deep learning
异常流量检测
深度学习
软件定义网络
distributed
software defined network
分布式
abnormal traffic detection
Online AccessGet full text

Cover

More Information
Summary:TN915.08; 针对传统异常流量检测方法在执行大规模软件定义网络(SDN)的检测任务时,存在运算开销大、共享链路繁忙,容易引起网络设备单点故障,导致软件定义网络服务质量下降甚至网络瘫痪等问题,提出一种基于深度学习的SDN异常流量分布式检测方法.该方法将部署在云端服务器的判别器与若干部署在SDN控制器的生成器构造为"一对多"的分布式生成对抗网络(D-VAE-WGAN),利用正常流量样本完成对D-VAE-WGAN的协同训练,在控制器上生成具有独立检测功能的异常流量检测代理,以实现大规模SDN环境下各控制器子网中异常流量的分布式检测.实验结果表明,该方法可以快速、准确地检测出大规模SDN中的异常样本,在准确率、召回率等检测指标上优于传统方法;并且具备对未知异常的检测能力.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2024199