Intelligent DDoS Attack Detection in Software-Defined Networks Using Explainable Machine Learning

Javaid Ahmad Malik

doi:10.3390/s26175610

Intelligent DDoS Attack Detection in Software-Defined Networks Using Explainable Machine Learning

2026-09-04

0

OA

AI

Muhammad Adnan Khan *

DOI：10.3390/s26175610

原文链接

原文求助

摘要

En 中文

软件定义网络（SDN）的最新趋势因其集中式控制架构、动态流量行为和高可编程性，带来了重大的网络安全挑战。尽管这些特性提升了网络灵活性和管理效率，但也增加了网络易受分布式拒绝服务（DDoS）攻击的风险，此类攻击可耗尽网络资源并中断服务。传统的基于签名和规则检测方法可能难以应对不断变化的流量模式，并产生过多的误报。机器学习提供了一种更有前景的解决方案，能够学习复杂的流量模式并区分恶意流量与正常流量。然而，大多数机器学习模型是黑箱模型，仅能提供对模型预测的浅层洞察。可解释人工智能（XAI）通过识别具有影响力的流量特征并为检测决策提供可解释的证据来弥补这一局限。本研究开发了一个基于可解释机器学习的框架，用于在SDN环境中实现准确、透明且可靠的DDoS攻击检测。评估了多种机器学习模型，并应用XAI技术在全球和实例层面解释预测结果。梯度提升、逻辑回归、AdaBoost和朴素贝叶斯高斯模型在104,345条网络流量记录上进行了评估，采用70:30的训练-测试分割。梯度提升模型表现最佳，训练准确率为99.88%，测试准确率为99.87%，测试F1得分为99.84%，误报率为0.20%。SHAP识别了最具影响力的流量特征，而LIME将单个预测与特定特征贡献相关联。因此，所提出的框架结合了可靠的DDoS检测与透明、面向分析员的决策支持，以用于SDN安全监控。

Keyword:

Software-Defined Networking (SDN)

machine learning (ML)

Explainable Artificial Intelligence (XAI)

Intelligent DDoS Attack Detection in Software-Defined Networks Using Explainable Machine Learning

摘要

期刊

机构

引用论文