基于深度学习的SDN异常检测研究

发布时间：2023-03-19 08:04

　　随着信息时代的高速发展,网络用户越来越多,传统的网络架构已经无法满足日益增长的网络流量的需求,严重影响了用户的上网体验。因此,现在急需一种可以对网络流量做到实时监控的网络架构。软件定义网络(SDN,Soft Defined Networking)的提出为当前网络中所遇到的难题提供了有效的解决方案,被业界认为是下一代互联网的发展方向。SDN网络架构的核心是OpenFlow协议机制,其是一种开放性的协议标准,但这种机制容易受到网络攻击,如何检测出网络攻击是SDN网络安全的关键。在此背景下本文提出了一种基于GRU-CNN的SDN异常检测网络架构,来增强SDN的可靠性,提高网络的服务质量。首先,文章阐述了SDN异常检测的研究意义和现状,重点描述了SDN网络架构的优势所在,设计了一种SDN异常检测架构,并对SDN异常检测架构的运行机制进行详细地分析与研究。SDN异常检测架构主要包括三大模块:数据收集模块、异常检测模块和数据传输模块,并对每个模块的功能和作用进行充分的研究。异常检测实质是一个分类的过程,深度学习在分类的问题上有着天然的优势。门控递归神经单元(GRU,Gated Recurrent ...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 网络流量异常检测研究现状
        1.2.2 深度学习研究现状
        1.2.3 SDN流量异常检测现状
    1.3 主要研究内容及创新点
        1.3.1 主要研究内容
        1.3.2 创新点
    1.4 论文组织结构
2 相关技术概述
    2.1 SDN相关技术
        2.1.1 SDN的概念
        2.1.2 SDN网络架构
        2.1.3 OpenFlow技术
    2.2 深度学习
        2.2.1 深度学习常用框架
        2.2.2 深度学习模型
    2.3 常见的传统网络异常检测算法
        2.3.1 基于统计的异常检测
        2.3.2 基于信息熵的异常检测
        2.3.3 基于数据挖掘的异常检测
        2.3.4 基于深度学习的异常检测
    2.4 本章小结
3 SDN异常检测架构研究
    3.1 SDN异常检测架构设计
    3.2 SDN异常检测架构模块研究
        3.2.1 数据收集模块
        3.2.2 异常检测模块
        3.2.3 数据传输模块
    3.3 SDN异常检测运行机制
    3.4 本章小结
4 基于深度学习的SDN异常检测模型
    4.1 基于深度学习的SDN异常检测流程
    4.2 基于GRU-CNN的 SDN异常检测模型
    4.3 模型的优化
        4.3.1 优化器
        4.3.2 正则化
    4.4 本章小结
5 实验和结果分析
    5.1 实验数据及配置
    5.2 实验数据集的构造
        5.2.1 数据集介绍
        5.2.2 数据预处理
        5.2.3 模型评价标准
    5.3 实验结果分析与对比
        5.3.1 数据集的选取
        5.3.2 不同模型结构的实验分析
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间参与的科研项目和取得的成果
致谢



本文编号：3764887