Intelligent Real-Time Traffic Classification in SDN Using Deep Learning

Ahmad Fuad Bader

doi:10.1016/j.array.2026.101297

Intelligent Real-Time Traffic Classification in SDN Using Deep Learning

2026-10-01

0

OA

AI

A

Ahmad Fuad Bader *

DOI：10.1016/j.array.2026.101297

原文链接

原文求助

摘要

En 中文

软件定义网络（SDN）实现了网络转发的可编程化和集中控制，但有效的控制器应用依赖于对异构流量流及时可靠的识别。本研究评估了一种混合卷积神经网络-长短期记忆网络（CNN-LSTM）分类器，用于在SDN测试环境中进行流级流量分类。CNN组件学习判别性特征模式，而LSTM组件建模时间依赖性。CICIDS 2017和受控SDN流量支持监督分类实验，而MAWI轨迹用作背景骨干流量背景，而非五个监督标签的来源。一个平衡的500流诊断测试子集（每类100流）产生91.2%的总体准确率、91.2%的宏精确率、91.2%的宏召回率和91.2%的宏F1值；恶意流量的召回率为0.91，F1得分为0.901。平均模型推理延迟在报告的各类流量中为1.1至2.3毫秒。

Keyword:

Software-Defined Networking (SDN)

Network Traffic Classification

CNN-LSTM

Deep Learning

Inference Latency

Intelligent Real-Time Traffic Classification in SDN Using Deep Learning

摘要

期刊

机构

引用论文