基于深度學(xué)習(xí)的SDN異常檢測研究
發(fā)布時(shí)間:2023-03-19 08:04
隨著信息時(shí)代的高速發(fā)展,網(wǎng)絡(luò)用戶越來越多,傳統(tǒng)的網(wǎng)絡(luò)架構(gòu)已經(jīng)無法滿足日益增長的網(wǎng)絡(luò)流量的需求,嚴(yán)重影響了用戶的上網(wǎng)體驗(yàn)。因此,現(xiàn)在急需一種可以對網(wǎng)絡(luò)流量做到實(shí)時(shí)監(jiān)控的網(wǎng)絡(luò)架構(gòu)。軟件定義網(wǎng)絡(luò)(SDN,Soft Defined Networking)的提出為當(dāng)前網(wǎng)絡(luò)中所遇到的難題提供了有效的解決方案,被業(yè)界認(rèn)為是下一代互聯(lián)網(wǎng)的發(fā)展方向。SDN網(wǎng)絡(luò)架構(gòu)的核心是OpenFlow協(xié)議機(jī)制,其是一種開放性的協(xié)議標(biāo)準(zhǔn),但這種機(jī)制容易受到網(wǎng)絡(luò)攻擊,如何檢測出網(wǎng)絡(luò)攻擊是SDN網(wǎng)絡(luò)安全的關(guān)鍵。在此背景下本文提出了一種基于GRU-CNN的SDN異常檢測網(wǎng)絡(luò)架構(gòu),來增強(qiáng)SDN的可靠性,提高網(wǎng)絡(luò)的服務(wù)質(zhì)量。首先,文章闡述了SDN異常檢測的研究意義和現(xiàn)狀,重點(diǎn)描述了SDN網(wǎng)絡(luò)架構(gòu)的優(yōu)勢所在,設(shè)計(jì)了一種SDN異常檢測架構(gòu),并對SDN異常檢測架構(gòu)的運(yùn)行機(jī)制進(jìn)行詳細(xì)地分析與研究。SDN異常檢測架構(gòu)主要包括三大模塊:數(shù)據(jù)收集模塊、異常檢測模塊和數(shù)據(jù)傳輸模塊,并對每個(gè)模塊的功能和作用進(jìn)行充分的研究。異常檢測實(shí)質(zhì)是一個(gè)分類的過程,深度學(xué)習(xí)在分類的問題上有著天然的優(yōu)勢。門控遞歸神經(jīng)單元(GRU,Gated Recurrent ...
【文章頁數(shù)】:72 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 網(wǎng)絡(luò)流量異常檢測研究現(xiàn)狀
1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
1.2.3 SDN流量異常檢測現(xiàn)狀
1.3 主要研究內(nèi)容及創(chuàng)新點(diǎn)
1.3.1 主要研究內(nèi)容
1.3.2 創(chuàng)新點(diǎn)
1.4 論文組織結(jié)構(gòu)
2 相關(guān)技術(shù)概述
2.1 SDN相關(guān)技術(shù)
2.1.1 SDN的概念
2.1.2 SDN網(wǎng)絡(luò)架構(gòu)
2.1.3 OpenFlow技術(shù)
2.2 深度學(xué)習(xí)
2.2.1 深度學(xué)習(xí)常用框架
2.2.2 深度學(xué)習(xí)模型
2.3 常見的傳統(tǒng)網(wǎng)絡(luò)異常檢測算法
2.3.1 基于統(tǒng)計(jì)的異常檢測
2.3.2 基于信息熵的異常檢測
2.3.3 基于數(shù)據(jù)挖掘的異常檢測
2.3.4 基于深度學(xué)習(xí)的異常檢測
2.4 本章小結(jié)
3 SDN異常檢測架構(gòu)研究
3.1 SDN異常檢測架構(gòu)設(shè)計(jì)
3.2 SDN異常檢測架構(gòu)模塊研究
3.2.1 數(shù)據(jù)收集模塊
3.2.2 異常檢測模塊
3.2.3 數(shù)據(jù)傳輸模塊
3.3 SDN異常檢測運(yùn)行機(jī)制
3.4 本章小結(jié)
4 基于深度學(xué)習(xí)的SDN異常檢測模型
4.1 基于深度學(xué)習(xí)的SDN異常檢測流程
4.2 基于GRU-CNN的 SDN異常檢測模型
4.3 模型的優(yōu)化
4.3.1 優(yōu)化器
4.3.2 正則化
4.4 本章小結(jié)
5 實(shí)驗(yàn)和結(jié)果分析
5.1 實(shí)驗(yàn)數(shù)據(jù)及配置
5.2 實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)造
5.2.1 數(shù)據(jù)集介紹
5.2.2 數(shù)據(jù)預(yù)處理
5.2.3 模型評價(jià)標(biāo)準(zhǔn)
5.3 實(shí)驗(yàn)結(jié)果分析與對比
5.3.1 數(shù)據(jù)集的選取
5.3.2 不同模型結(jié)構(gòu)的實(shí)驗(yàn)分析
5.4 本章小結(jié)
6 總結(jié)與展望
6.1 總結(jié)
6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間參與的科研項(xiàng)目和取得的成果
致謝
本文編號:3764887
【文章頁數(shù)】:72 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 網(wǎng)絡(luò)流量異常檢測研究現(xiàn)狀
1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
1.2.3 SDN流量異常檢測現(xiàn)狀
1.3 主要研究內(nèi)容及創(chuàng)新點(diǎn)
1.3.1 主要研究內(nèi)容
1.3.2 創(chuàng)新點(diǎn)
1.4 論文組織結(jié)構(gòu)
2 相關(guān)技術(shù)概述
2.1 SDN相關(guān)技術(shù)
2.1.1 SDN的概念
2.1.2 SDN網(wǎng)絡(luò)架構(gòu)
2.1.3 OpenFlow技術(shù)
2.2 深度學(xué)習(xí)
2.2.1 深度學(xué)習(xí)常用框架
2.2.2 深度學(xué)習(xí)模型
2.3 常見的傳統(tǒng)網(wǎng)絡(luò)異常檢測算法
2.3.1 基于統(tǒng)計(jì)的異常檢測
2.3.2 基于信息熵的異常檢測
2.3.3 基于數(shù)據(jù)挖掘的異常檢測
2.3.4 基于深度學(xué)習(xí)的異常檢測
2.4 本章小結(jié)
3 SDN異常檢測架構(gòu)研究
3.1 SDN異常檢測架構(gòu)設(shè)計(jì)
3.2 SDN異常檢測架構(gòu)模塊研究
3.2.1 數(shù)據(jù)收集模塊
3.2.2 異常檢測模塊
3.2.3 數(shù)據(jù)傳輸模塊
3.3 SDN異常檢測運(yùn)行機(jī)制
3.4 本章小結(jié)
4 基于深度學(xué)習(xí)的SDN異常檢測模型
4.1 基于深度學(xué)習(xí)的SDN異常檢測流程
4.2 基于GRU-CNN的 SDN異常檢測模型
4.3 模型的優(yōu)化
4.3.1 優(yōu)化器
4.3.2 正則化
4.4 本章小結(jié)
5 實(shí)驗(yàn)和結(jié)果分析
5.1 實(shí)驗(yàn)數(shù)據(jù)及配置
5.2 實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)造
5.2.1 數(shù)據(jù)集介紹
5.2.2 數(shù)據(jù)預(yù)處理
5.2.3 模型評價(jià)標(biāo)準(zhǔn)
5.3 實(shí)驗(yàn)結(jié)果分析與對比
5.3.1 數(shù)據(jù)集的選取
5.3.2 不同模型結(jié)構(gòu)的實(shí)驗(yàn)分析
5.4 本章小結(jié)
6 總結(jié)與展望
6.1 總結(jié)
6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間參與的科研項(xiàng)目和取得的成果
致謝
本文編號:3764887
本文鏈接:http://sikaile.net/guanlilunwen/ydhl/3764887.html
最近更新
教材專著