SDN下基于深度神经网络和三支决策的入侵检测算法

杜祥通，李永忠

(江苏科技大学 计算机学院，镇江 212100)

随着云计算、物联网、大数据的兴起，网络安全受到了越来越多的关注.分布式拒绝服务(distribute denial of service, DDoS)攻击一直以来都是互联网的主要威胁之一[1].现如今的网络为了体现其架构的高扩展性多采用分布式架构，但也导致了很多安全漏洞的出现，新型的网络技术环境下的DDoS攻击检测面临着很大的挑战[2].

软件定义网络(software defined network，SDN)作为新兴的网络架构，解耦了网络的控制层与数据层，被认为是未来网络发展的方向[3].为防御SDN下的DDoS攻击，国内外许多网络安全专家在常规方法的基础上，将机器学习应用于DDoS攻击的入侵检测.深度神经网络(deep neural networks，DNN)作为深度学习的一个分支，与传统的机器学习相比，DNN可以将低层特征组合后形成更加抽象的高层表示，使得一个基于DNN的学习系统不依赖人工的特征选择，发现数据分布式的特征，学习到更加复杂的表达函数[4].但由于SDN环境下的DDoS攻击的特征数量有限，常规的分类都是二分类，即正常流量和攻击流量，往往会由于特征的不充足和信息的不确定性导致流量分类的错误.

因此，为解决软件定义网络中DDoS攻击难以检测、传统的特征提取方式不能提取到合适的特征而导致的入侵检测率低的问题，文中提出一种SDN下基于DNN和三支决策的入侵检测模型.DNN具有对高维数据的特征提取的完备性高的特点，采用在SDN流表项下直接获取的特征和手动构建的特征作为特征集.随后使用三支决策入……