Ein Deep-Learning-Ansatz, der Autoencoder mit One-class SVM zur Erkennung von DDoS-Angriffen in SDNs kombiniert

Software Defined Networking (SDN) ermöglicht es uns, Netzwerkverkehrsinformationen zu sammeln und Netzwerke proaktiv zu verwalten. Daher fördert SDN die Schaffung robusterer und sicherer Netzwerke. In letzter Zeit wurden mehrere Ansätze zur Intrusionserkennung mit Maschinenlernen (ML)/Deep Learning (DL) vorgeschlagen, um SDN-Netzwerke zu sichern. Derzeit basieren die meisten vorgeschlagenen ML/DL-Intrusionserkennungsansätze auf überwachtem Lernen, das gekennzeichnete und gut ausgewogene Datensätze für das Training erfordert. Dies ist jedoch zeitaufwändig und erfordert erhebliche menschliche Expertise zur Pflege dieser Datensätze. Diese Ansätze können schlecht mit unausgewogenen und ungekennzeichneten Datensätzen umgehen. In diesem Papier schlagen wir einen hybriden unüberwachten DL-Ansatz unter Verwendung des Stack-Autoencoders und einer One-class Support Vector Machine (SAE-1SVM) zur Erkennung von Distributed Denial of Service (DDoS)-Angriffen vor. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Algorithmus eine durchschnittliche Genauigkeit von 99,35 % mit einem kleinen Satz von Flussmerkmalen erreichen kann. Die SAE-1SVM zeigt, dass sie die Verarbeitungszeit erheblich reduzieren kann, während sie eine hohe Erkennungsrate aufrechterhält. Zusammenfassend kann die SAE-1SVM gut mit unausgewogenen und ungekennzeichneten Datensätzen arbeiten und eine hohe Erkennungsgenauigkeit liefern.