[發明專利]一種軟件定義網絡異常檢測架構

在審

• 申請號: 202011460949.1
• 申請日: 2020-12-12
• 公開（公告）號: CN112417446A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 龐希愚;孟慶蘭
• 申請（專利權）人: 山東交通學院
• 主分類號: G06F21/55
• 分類號: G06F21/55;G06N3/04;G06N3/08
• 代理公司: 青島高曉專利事務所(普通合伙) 37104
• 代理人: 杜亞男

1.一種軟件定義網絡異常檢測架構，其特征在于：包括數據采集模塊、軟件定義網絡SDN、數據傳輸模塊和異常檢測模塊；所述數據采集模塊對流量進行采集；所述SDN將SDN網絡中的控制平面與數據轉發平面分離，通過控制平面控制整個網絡資源并向數據轉發平面發送指令完成數據轉發，為異常檢測模塊的檢測工作提供可伸縮的、動態的體系結構；所述數據傳輸模塊對流量進行分類，發現異常流量，獲取異常檢測報告，在不影響客戶的情況下更新異常流量；所述異常檢測模塊對采集到的流量進行特征提取和流量分類。

2.根據權利要求1所述的軟件定義網絡異常檢測架構，其特征在于：所述SDN包括應用層、控制層和基礎設施層；所述基礎設施層利用網絡設備轉發交換機中的流量，收集流量狀態信息，通過接口反饋給上層控制層；信息到達控制層后，在控制層的控制器將安排和處理狀態信息和網絡資源，與上層應用層交互，為應用程序和部署各種服務，控制器通過接口實現對網絡交換的控制。

3.根據權利要求2所述的軟件定義網絡異常檢測架構，其特征在于：所述數據轉發平面通過OpenFlow協議獲取數據采集模塊的流量信息，然后將該信息傳遞給控制層的控制器提取特征，最后將信息傳回異常檢測模塊。

4.根據權利要求1-3任一項所述的軟件定義網絡異常檢測架構，其特征在于：所述異常檢測模塊的檢測模型采用BGRU-CNN模型，所述BGRU-CNN模型包括輸入層、BGRU層、CNN層和分類器；所述輸入層用于數據信息輸入；所述BGRU層通過更新門和復位門控制輸入數據，實現流量的時序特征提取；所述CNN層提取信息流的特征；所述分類器用于對CNN獲得的特征值信息進行分類。

5.根據權利要求4所述的軟件定義網絡異常檢測架構，其特征在于：所述CNN層包括多個卷積層、池化層和全連接層；所述卷積層用于局部感知和權值共享，即提取上層特征與卷積核進行卷積運算，從而得到卷積后的特征；所述池化層用于采樣操作；所述全連接層用于將多次卷積后的特征進行整合，然后進行歸一化，對各種分類情況都輸出一個概率；所述分類器根據全連接層得到的概率進行分類。

6.根據權利要求5所述的軟件定義網絡異常檢測架構，其特征在于：所述CNN層獲得特征值信息時，使用Softmax函數對特征值信息進行分類，如式(1)所示：

其中，z是上一層的輸出，Softmax的輸入，維度為C，S為預測對象屬于第CCC類的概率，e為數學中自然對數函數的底數。

7.根據權利要求4或5或6所述的軟件定義網絡異常檢測架構，其特征在于：對SDN網絡的三個模塊進行測試，檢測過程如下：

S1：數據預處理；包括對原始數據進行數據轉換，然后進行標準化和規范化；

S2、數據預處理后產生的數據集分為訓練集和測試集；

S3、將訓練集輸入到BGRU-CNN模型和不斷優化模型，通過學習訓練達到最優狀態；

S4、將測試集輸入到BGRU-CNN模型，驗證其檢測效果。

8.根據權利要求7所述的軟件定義網絡異常檢測架構，其特征在于：通過準確率A、準確率P、召回率R、F1得分和混淆矩陣值對模型的性能進行驗證；前四個指標可用式(2)、式(3)、式(4)、式(5)表示：

式中：TP，即True Positive表示模型判斷正確的攻擊包數量；TN，即True Negative表示模型判斷正確的正常數據包的數量；FP，即False Positive表示模型判斷錯誤的正常數據包的數量；FN，即False Negative表示模型判斷錯誤的攻擊包的數量；F1得分為準確率和召回率的平均值，用于準確評價模型；混淆矩陣將模型分類結果與實際情況進行匹配。