A PSO-Optimized gradient boosting framework for flow-based DDoS detection in software-defined networks

doi:10.1007/s12083-026-02284-w

A PSO-Optimized gradient boosting framework for flow-based DDoS detection in software-defined networks

2026-08-20

0

OA

AI

I

Iftekhar Ahmed Mahar *

Zulfikar Ahmed Maher *

DOI：10.1007/s12083-026-02284-w

原文链接

原文求助

摘要

En 中文

软件定义网络（SDN）提供了一种可编程且集中管理的网络架构，但其集中式控制平面易受分布式拒绝服务（DDoS）攻击。这些攻击可能耗尽控制器资源并破坏网络可用性，因此高效的可靠检测机制至关重要。本研究提出了一种基于优化的集成学习框架，用于SDN环境中的DDoS检测，通过结合梯度提升分类器（GBC）与粒子群优化（PSO）。PSO被用于自动调整集成模型的关键超参数，提高分类稳定性并增强检测性能，同时保持轻量级推理以适应SDN监控系统中的实时部署。所提出的框架在一个基于真实Mininet环境的SDN专用数据集上进行评估，该环境配备了OpenFlow交换机和Ryu控制器。分层5折交叉验证的实验结果表明，检测性能接近完美，准确率和F1分数均达到0.9999，且精确率和召回率均保持高水平。为进一步评估泛化能力，模型在CICDDoS2019基准数据集上进行验证，所有评估指标的准确率均超过99%。结果表明，该模型在异构流量分布下表现出强鲁棒性，同时保持稳定的性能。总体而言，研究发现PSO增强的集成学习为提高SDN环境中的DDoS检测提供了一种有效且计算高效的方法，在准确性、鲁棒性和部署可行性之间实现了实用平衡。

Keyword:

Distributed denial of service

Software-defined networking

Machine learning

Particle swarm optimization

Gradient boosting classifier

A PSO-Optimized gradient boosting framework for flow-based DDoS detection in software-defined networks

摘要

期刊

机构