Erkennung von DDoS-Angriffen in softwaredefinierten Netzwerken durch Merkmalsauswahlmethoden und Modelle des maschinellen Lernens

Software-Defined Networking (SDN) bietet mehrere Vorteile wie Verwaltbarkeit, Skalierbarkeit und verbesserte Leistung. Allerdings sind mit SDN spezifische Sicherheitsprobleme verbunden, insbesondere wenn der Controller gegen Distributed Denial of Service (DDoS)-Angriffe wehrlos ist. Der Prozess und die Kommunikationskapazität des Controllers werden überlastet, wenn DDoS-Angriffe auf den SDN-Controller erfolgen. Infolgedessen führt der unnötige Datenverkehr, den der Controller für die Angriffs-Pakete erzeugt, dazu, dass die Kapazität der Switch-Flusstabelle voll ist, wodurch die Netzwerkleistung auf einen kritischen Schwellenwert sinkt. In dieser Studie wurden DDoS-Angriffe in SDN mit modellspezifischen Ansätzen des maschinellen Lernens erkannt. Zunächst wurden spezifische Merkmale aus SDN für den Datensatz unter normalen Bedingungen und unter DDoS-Angriffsverkehr gewonnen. Anschließend wurde ein neuer Datensatz durch Merkmalsauswahlmethoden auf dem bestehenden Datensatz erstellt. Merkmalsauswahlmethoden wurden bevorzugt, um die Modelle zu vereinfachen, deren Interpretation zu erleichtern und eine kürzere Trainingszeit zu bieten. Beide Datensätze, die mit und ohne Merkmalsauswahlmethoden erstellt wurden, wurden mit Klassifikationsmodellen wie Support Vector Machine (SVM), Naive Bayes (NB), Künstliches Neuronales Netzwerk (ANN) und K-Nearest Neighbors (KNN) trainiert und getestet. Die Testergebnisse zeigten, dass die Verwendung der Wrapper-Merkmalsauswahl mit einem KNN-Klassifizierer die höchste Genauigkeitsrate (98,3 %) bei der Erkennung von DDoS-Angriffen erreichte. Die Ergebnisse deuten darauf hin, dass maschinelles Lernen und Merkmalsauswahlalgorithmen bessere Ergebnisse bei der Erkennung von DDoS-Angriffen in SDN mit vielversprechenden Reduktionen der Verarbeitungslasten und -zeiten erzielen können.