通过端口级监控和零训练大语言模型在去中心化软件定义网络中主动检测与缓解DDoS攻击
密码学与安全
2025-11-04 v1 人工智能
摘要
集中式软件定义网络(cSDN)提供灵活可编程的网络控制，但由于依赖集中式控制器而存在可扩展性和可靠性问题。去中心化SDN(dSDN)通过将控制分布到多个本地控制器来缓解这些问题，然而这种架构仍然极易受到分布式拒绝服务(DDoS)攻击。在本文中，我们提出了一种专为dSDN环境设计的新型检测与缓解框架。该框架利用轻量级端口级统计信息，结合提示工程和上下文学习，使DeepSeek-v3大语言模型(LLM)能够在不进行微调或重新训练的情况下将流量分类为良性或恶意。一旦检测到异常，直接在攻击者端口实施缓解，确保恶意流量在其源头被阻断，同时正常流量不受影响。自动恢复机制在攻击不活跃后恢复正常运行，确保安全性和可用性。在多种DDoS攻击场景下的实验评估表明，所提方法实现了近乎完美的检测，准确率达99.99%，精确率达99.97%，召回率达100%，F1分数达99.98%，AUC为1.0。这些结果凸显了将分布式监控与零训练LLM推理相结合的有效性，为保护dSDN基础设施免受DDoS威胁提供了一种主动且可扩展的防御机制。
引用
@article{arxiv.2511.00460,
title = {Proactive DDoS Detection and Mitigation in Decentralized Software-Defined Networking via Port-Level Monitoring and Zero-Training Large Language Models},
author = {Mohammed N. Swileh and Shengli Zhang},
journal= {arXiv preprint arXiv:2511.00460},
year = {2025}
}