软件定义网络中机器学习驱动入侵检测系统的性能与结构对称性评估
《Symmetry》:Performance and Structural Symmetry Evaluation of Machine Learning-Driven Intrusion Detection Systems in Software-Defined Networks
【字体:
大
中
小
】
时间:2026年08月27日
来源:Symmetry 2.2
摘要
软件定义网络(SDN)能够实现对网络架构的细粒度控制,然而将入侵检测系统(IDS)集成到控制平面往往会引入难以承受的计算开销。这一问题因现有机器学习模型通常基于静态基准数据集训练,在实时轮询条件和不可预测的流量突发下往往性能下降而进一步加剧。为弥补这一差距,本文评估了一种超紧凑的五特征轮询方案(F1–F5),旨在动态Mininet–Ryu实验平台中保持控制平面监控与遥测开销之间的统计对称性。实验框架包含15%的背景噪声,并在120秒的动态跟踪中叠加了10%的隐蔽攻击。四种不同的分类器——随机森林(RF)、决策树(DT)、多层感知机(MLP)和长短期记忆网络(LSTM)——在逐帧快照和窗口预测任务中进行了评估。实验结果表明,基于树的集成方法始终优于深度学习方案,其中随机森林的整体准确率达到97.57%,决策树达到96.74%,而多层感知机为90.77%,长短期记忆网络为90.73%。对时间序列日志的分析表明,随机森林的正交决策边界能够成功隔离瞬时高强度威胁,如WebAttack和PortScan向量,而无需依赖内存密集型的循环架构。最终,将最小特征提取与轻量级树集成相结合,在低控制平面延迟和高检测效能之间实现了最佳平衡。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号