.png){kind=icon}
返回
In-Network Computing-Based Malicious Traffic Filtering for Multi-Tenant Cloud Environments
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2026.104903.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
In-Network Computing (INC)是一种将计算操作从网络边缘设备卸载到可编程交换机等网络单元的方法。基于INC的恶意流量检测方案可以平衡数据驱动的实时网络报文分类，近年来受到了广泛关注。然而，现有的基于INC的方案仅使用单一全局检测模型为云中所有租户过滤恶意流量，这迫使所有租户共享相同的过滤策略，无法为每个租户提供策略定制。同时，这也导致了欠拟合问题，降低了理论最高准确率。本文提出了一种恶意流量过滤框架，利用多个细粒度的分类回归树（Classification and Regression Trees）为聚类租户过滤流量。我们在控制平面精心设计了聚合机制，并在数据平面设计了表，以实现实时且运行时可更新的多租户流量过滤。实验结果表明，与采用全局模型的恶意流量检测方案相比，所提出的方法能够避免租户间的相互影响，提高理论最高准确率，缓解欠拟合问题，并为租户提供策略定制能力。
Keyword:
In-Network Computing
Malicious Traffic Detection
Multi-Tenant Cloud
Fine-Grained Classification and Regression Trees
Real-Time Traffic Filtering
期刊
C
IF:
5.4
论文数:
207
被引数:
0
机构
引用论文
Multi-Objective Discrete Extremal Optimization of Variable-Length Blocks-Based CNN by Joint NAS and HPO for Intrusion Detection in IIoT多目标离散极值优化变长块基CNN的联合NAS和HPO入侵检测工业物联网
PREAI
分享收藏Malicious traffic detection in multi-environment networks using novel S-DATE and PSO-D-SEM approaches.png)
COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏分享收藏IEA-DMS: An Interpretable feature-driven, Efficient and Accurate Detection Method for Slow HTTP DoS in high-speed networksIEA-DMS：一种针对高速网络中慢速HTTP DoS攻击的可解释、特征驱动、高效且准确的检测方法COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Piecewise Classifier Mappings: Learning Fine-Grained Learners for Novel Categories With Few ExamplesOAAI
OAAI分享收藏
查看更多内容