18、软件定义网络中基于高级机器学习/深度学习的入侵检测系统

软件定义网络中基于高级机器学习/深度学习的入侵检测系统

在当今数字化时代，网络安全愈发重要，尤其是在软件定义网络（SDN）环境中。为了有效检测网络入侵，众多机器学习和深度学习方法被广泛应用。下面将详细介绍这些方法及其特点。

1. 机器学习方法概述

单一机器学习方法在解决网络入侵检测问题时面临诸多挑战，如训练数据集不平衡和高计算要求等。因此，无监督学习算法在处理网络入侵检测问题上展现出了一定的有效性，而混合机器学习方法，如将聚类与分类器相结合以及使用分层分类器，近年来也备受关注。

2. 具体机器学习方法

2.1 统计方法

• 原理 ：统计方法通过利用统计特性来建立交易的正常模式。它使用如均值偏差等度量来分析数据，不依赖特定攻击的先验知识，能有效检测新的零日攻击。
• 熵的应用 ：熵可作为衡量不确定性和随机性的指标，公式为 (E_X = \sum_{i=1}^{n} -p(x_i)\log(x_i)) ，其中 (X) 是特征，(p(x_i)) 是结果 (x_i) 的概率质量函数。在DDoS检测中，熵值可用于评估传入网络数据包的随机性。正常情况下，信息熵在有限范围内波动；而在DDoS攻击时，熵值会显著下降，即 (E_n(X) - E_a(X) > \delta) 。检测DDoS攻击依赖于窗口大小和阈值，窗口大小根据特定时间段或数据包数量确定，当计算的熵值超过或低于预定阈值时，可识别攻击。
• 条件熵 ：条件熵用于评估特征之间的可预测性，公式为 (E(src|dst) =