
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向SDN入侵检测的并发感知人工智能框架研究
《Scientific Reports》:Concurrency aware artificial intelligence for real-time intrusion detection in software-defined networks
【字体: 大 中 小 】 时间:2026年10月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要现代软件系统目前正被用于高并发、数据密集和延迟敏感的环境中。像实时入侵检测这样的软件定义网络(SDN)应用程序需要在大量数据流中进行快速的时序模式识别。虽然深度学习模型具有令人印象深刻的检测能力,但在现实部署中表现不佳通常受到并发管理不善、调度不灵活、集中式学习管道以及容
现代软件系统目前正被用于高并发、数据密集和延迟敏感的环境中。像实时入侵检测这样的软件定义网络(SDN)应用程序需要在大量数据流中进行快速的时序模式识别。虽然深度学习模型具有令人印象深刻的检测能力,但在现实部署中表现不佳通常受到并发管理不善、调度不灵活、集中式学习管道以及容错能力的限制。在本研究中,作者提出了一种并发感知人工智能(CA-AI)框架,该框架直接整合了基于 Actor 的并发控制、基于工作流的负载感知调度、基于深度长短期记忆(LSTM)的时间序列学习、基于代理的并行特征提取以及基于监控的反馈环。该框架针对面向 SDN 的入侵检测工作负载进行了评估,其中并发管理通过在系统架构层面实现基于 Actor 的执行、工作流调度和异步推理,并在真实的网络流量数据样本(NSL-KDD、CIC-IDS2017 和 UNSW-NB15)上进行了测试。实验结果表明,并发感知的系统设计显著提高了检测准确率,在包括 NSL-KDD、CIC-IDS2017 和 UNSW-NB15 在内的多个基准数据集上实现了高达 98.9% 的检测准确率;与集中式入侵检测系统(IDS)基线相比,吞吐量提高了 2.1 倍;而在提出的 CA-AI 框架内,当并发量从 10,000 增加到 100,000 流时,吞吐量增加了约 1.19 倍;与集中式 IDS 基线相比,平均延迟降低了约 57.5%(从 146 毫秒降至 62 毫秒),同时在并发工作负载下保持了高可靠性。所提出的框架将并发确立为可扩展的 AI 驱动模式识别系统的基本架构原则。