.png){kind=icon}
返回
Federated Learning Based DDoS Attacks Detection in Large Scale Software-Defined Network
.png){kind=icon}
OA
AI
DOI：10.1109/TC.2024.3474180.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件定义网络 (SDN) 是将网络分成三个平面的创新概念: 包括一个或多个控制器的控制平面; 负责数据传输的数据平面; 以及能够重新配置网络功能的应用平面。然而，这种方法已经将控制器暴露为恶意元素攻击它的主要目标，例如分布式拒绝服务 (DDoS) 攻击。当前的DDoS防御方案通常会增加控制器负载和资源消耗。这些方案通常是针对单控制器架构定制的，当考虑大规模SDN的可扩展性要求时，这是一个显著的限制。为了解决这些限制，我们引入了一种名为FedLAD的高效联邦学习方法，旨在对抗基于SDN的大规模网络中的DDoS攻击，特别是在多控制器架构中。联合学习是一种分散的机器学习方法，其中模型在多个设备上训练，因为控制器存储本地数据样本，而不交换它们。使用InSDN，CICDDoS2019和CICDoS2017数据集对拟议方案的性能进行评估，结果显示精度超过98%，与相关工作相比有了显着改善。此外，在SDN上下文中使用实时流量对FedLAD协议进行的评估证明了其能够以高精度和最小的资源消耗检测DDoS攻击。据我们所知，这项工作介绍了一种在大规模SDN中应用FL进行DDoS攻击检测的新技术。
Keyword:
Federated learning
distributed denial of service
distributed denial of service
machine learning
machine learning
software defined network
software defined network
virtual network
virtual network
期刊
IF:
3.8
论文数:
5.4K
被引数:
9.8K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Correction of Adjacent Errors with Low Redundant Matrix Error Correction Codes相邻错误校正与低冗余矩阵错误校正码
PREAI
分享收藏
查看更多内容