Print

SDN网络入侵检测系统的深度学习方法综述

论文摘要

软件定义网络(SDN)控制和数据平面的分离以及全局可编程控制器的实现有助于网络入侵检测系统(NIDS)监控网络的整体安全性,在基于SDN的NIDS中已经实现了机器学习方法,然而机器学习方法可能带来高误报率。一种替代解决方案是使用深度学习。深度学习不仅能够自动发现数据中的相关性,还能有效地检测零日攻击。研究了基于SDN的网络入侵检测系统、用于网络入侵检测的数据集以及SDN入侵检测系统的深度学习方法,并比较了SDN中利用深度学习方法进行网络入侵检测的最新研究成果。

论文目录

  • 0 引言
  • 1 基于SDN的网络入侵检测系统
  •   1.1 利用SDN结构进行入侵检测的优点
  •   1.2 基于SDN的NIDS架构
  • 2 用于网络入侵检测的数据集
  •   2.1 NSL-KDD数据集
  •   2.2 UNB ISCX2012
  • 3 SDN入侵检测系统的深度学习方法
  •   3.1 基于深度学习的NIDS架构
  •   3.2 深度学习方法分类
  •     3.2.1 生成式（无监督）深度学习
  •       1)玻尔兹曼机（Boltzmann Machine,BM）。
  •       2)自编码器（Auto-Encoder,AE）。
  •     3.2.2 判别式（有监督）深度学习
  •       1)卷积神经网络（Convolutional Neural Network,CNN）。
  •       2)循环神经网络（Recurrent Neural Network,RNN）。
  •     3.2.3 混合深度学习
  •   3.3 深度学习方法在基于SDN的NIDS中的应用
  • 4 结语

    • 文章来源

    类型: 期刊论文

    作者: 张阳玉,吕光宏,李鹏飞

    关键词: 深度学习,入侵检测,软件定义网络

    来源: 计算机应用 2019年S2期

    年度: 2019

    分类: 信息科技

    专业: 互联网技术,自动化技术

    单位: 四川大学计算机学院(软件学院)

    分类号: TP393.08;TP18

    页码: 147-151

    总页数: 5

    文件大小: 397K

    下载量: 506

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/e5da86c6f2066549c60a26f7.html