基于BERT大语言模型的软件定义网络中未见攻击检测
密码学与安全
2024-12-10 v1 人工智能
摘要
软件定义网络（SDN）通过将控制平面与数据平面解耦，代表了网络架构的变革性转变，实现了网络资源的集中和灵活管理。然而，这一架构转变引入了显著的安全挑战，因为SDN的集中控制成为各种攻击的诱人目标。虽然当前研究已为SDN中的攻击检测提供了有价值的见解，但仍存在关键空白。在特征选择方面取得进展、将研究范围扩展至DDoS攻击之外、通过多流分析强化攻击判定，以及构建能够检测未显式训练过的未见攻击的模型，是推进SDN安全的关键步骤。在本文中，我们提出了一种利用自然语言处理（NLP）和预训练BERT基础模型来增强SDN中攻击检测的新方法。我们的方法将网络流数据转换为语言模型可解释的格式，使BERT能够捕获网络流量中的复杂模式和关系。通过使用随机森林（Random Forest）进行特征选择，我们优化了模型性能并降低了计算开销，确保了准确检测。攻击判定基于多条流进行，提供了更强且更可靠的恶意流量检测。此外，我们的方法专门设计用于检测先前未见过的攻击，为识别模型未显式训练过的威胁提供了解决方案。为了严格评估我们的方法，我们在两个场景中进行了实验：一个聚焦于检测已知攻击，准确率达到99.96%；另一个聚焦于检测未见攻击，我们的模型同样达到99.96%的准确率，展示了我们方法在检测演进威胁方面的鲁棒性，以提升SDN网络的安全性。
引用
@article{arxiv.2412.06239,
title = {Unseen Attack Detection in Software-Defined Networking Using a BERT-Based Large Language Model},
author = {Mohammed N. Swileh and Shengli Zhang},
journal= {arXiv preprint arXiv:2412.06239},
year = {2024}
}
备注
Mohammed N. Swileh is first author. Shengli Zhang is corresponding author