面向SDN环境的DDoS检测优化：基于机器学习模型的方法
密码学与安全
2025-05-21 v1
摘要
软件定义网络（SDN）的出现改变了网络结构，通过分离控制平面与数据平面实现。然而，这一创新也增加了对DDoS攻击的易受性。现有检测技术常因数据不平衡和准确率问题而不有效，因而存在一大研究空白——适用于SDN情境的DDoS检测方法。本研究尝试采用随机森林（RF）、支持向量机（SVC）、K近邻（KNN）、人工神经网络（MLP）和梯度提升树（XGB）等机器学习算法更有效地检测DDoS攻击。为此，我们使用平衡与不平衡数据集以衡量模型在准确率和AUC方面的性能。分析结果表明，RF和XGB在准确率和AUC上均达到完美分数1.0000，但XGB因Brier分数最低（即可靠性最高）而优势更为突出。MLP达到99.93%的准确率，SVC达到97.65%的准确率，KNN达到97.87%的准确率，这些是RF和XGB之后的优越性能力。这些结果一致表明，SDN作为DDoS攻击检测平台，RF和XGB技术具有良好有效性，并凸显了针对不断演化的生成性网络攻击，使用平衡数据集提升检测效果的重要性。
引用
@article{arxiv.2505.13493,
title = {Optimizing DDoS Detection in SDNs Through Machine Learning Models},
author = {Md. Ehsanul Haque and Amran Hossain and Md. Shafiqul Alam and Ahsan Habib Siam and Sayed Md Fazle Rabbi and Md. Muntasir Rahman},
journal= {arXiv preprint arXiv:2505.13493},
year = {2025}
}
备注
Published Paper of CICN2024