Методи виявлення DDoS-атак у програмно-конфігурованих мережах: порівняльний аналіз класичних та сучасних підходів на основі машинного та глибокого навчання
DOI:
https://doi.org/10.18372/2073-4751.85.21094Ключові слова:
програмно-конфігуровані мережі, DDoS-атаки, машинне навчання, глибоке навчання, OpenFlow, змагальне навчання, федеративне навчанняАнотація
У даній роботі розглянуто методи виявлення DDoS-атак у програмно-конфігурованих мережах. Метою роботи є порівняльний аналіз та систематизація класичних і сучасних підходів до виявлення атак в SDN-середовищах.
Проаналізовано традиційні методи захисту, зокрема статистичний аналіз ентропії, порогові та правилові системи, а також традиційні алгоритми машинного навчання, виявлено їх обмеження в умовах сучасних адаптивних атак. Досліджено сучасні підходи на основі машинного та глибокого навчання, включаючи ансамблеві методи, гібридні архітектури, adversarial-стійкі моделі та федеративне навчання, їх переваги та недоліки. Порівняно точність та ефективність різних методів на основі актуальних опублікованих результатів досліджень.
У статті запропоновано подальше дослідження дворівневих архітектур на основі машинного та глибокого навчання та федеративного навчання в програмно-конфігурованих мережах з метою підвищення точності виявлення атак, adversarial-стійкості та адаптивності до змін у мережевому середовищі. Наведено результати порівняння методів з акцентом на їх ефективність у реальних SDN-середовищах.
Посилання
Ahmed N. et al. Network Threat Detection Using Machine/Deep Learning in SDN-Based Platforms: A Comprehensive Analysis // Sensors. — 2022. — Vol. 22, No. 20. — Art. 7896. DOI: 10.3390/s22207896
Abubakar R. et al. An Effective Mechanism to Mitigate Real-Time DDoS Attack // IEEE Access. — 2020. — Vol. 8. — P. 126215–126227. DOI: 10.1109/ACCESS.2020.3007638
Swami R. et al. Software-Defined Networking-Based DDoS Defense Mechanisms // ACM Computing Surveys. — 2019. — Vol. 52, No. 2. — Art. 28. DOI: 10.1145/3301614
Ahmed N. et al. Network Threat Detection Using Machine/Deep Learning in SDN-Based Platforms // Sensors. — 2022. — Vol. 22, No. 20. — P. 7896.
Bawany N.Z. et al. DDoS Attack Detection and Mitigation Using SDN: Methods, Practices, and Solutions // Arabian Journal for Science and Engineering. — 2017. — Vol. 42, No. 2. — P. 425–441. DOI: 10.1007/s13369-017-2414-5
Zhang F. et al. Multilayer Data-Driven Cyber-Attack Detection System for Industrial Control Systems // IEEE Transactions on Industrial Informatics. — 2019. — Vol. 15, No. 7. — P. 4362–4369.
Mousavi S.M., St-Hilaire M. Early Detection of DDoS Attacks against SDN Controllers // IEEE CCECE. — 2015. DOI: 10.1109/CCECE.2015.7129521
El Sayed M.S. et al. A Flow-Based Anomaly Detection Approach With Feature Selection Method Against DDoS Attacks in SDNs // IEEE Trans. Cogn. Commun. Netw. — 2022. — Vol. 8, No. 4. — P. 1862–1880.
Zhang F. et al. Dual Generative Adversarial Networks Based Unknown Encryption Ransomware Attack Detection // IEEE Access. — 2022. — Vol. 10. — P. 900–913.
Garg S. et al. Hybrid Deep-Learning-Based Anomaly Detection Scheme for Suspicious Flow Detection in SDN // IEEE Transactions on Multimedia. — 2019. — Vol. 21, No. 3. — P. 566–578.
Batool, S.; Aslam, M.; Akpokodje, E.; Jilani, S.F. A Comprehensive Review of DDoS Detection and Mitigation in SDN Environments: Machine Learning, Deep Learning, and Federated Learning Perspectives. Electronics 2025, 14, 4222. https://doi.org/10.3390/electronics14214222
Chen L., Wang Z., Huo R., Huang T. An Adversarial DBN-LSTM Method for Detecting and Defending against DDoS Attacks in SDN Environments // Algorithms. — 2023. — Vol. 16, No. 4. — Art. 197. https://doi.org/10.3390/a16040197
Boby Clinton, Urikhimbam & Hoque, Nazrul & Robindro, Khumukcham. Classification of DDoS Attack Traffic on SDN Network Environment Using Deep Learning // Cybersecurity (SpringerNature). — 2024. https://www.researchgate.net/publication/382830855
Elshewey A.M., Abbas S., Osman A.M. et al. DDoS Classification of Network Traffic in Software Defined Networking SDN Using a Hybrid Convolutional and Gated Recurrent Neural Network // Scientific Reports. — 2025. — Vol. 15. — Art. 29122. https://doi.org/10.1038/s41598-025-13754-1
Estupiñán Cuesta, E.P.; Martínez Quintero, J.C.; Avilés Palma, J.D. DDoS Attacks Detection in SDN Through Network Traffic Feature Selection and Machine Learning Models. Telecom 2025, 6, 69. https://doi.org/10.3390/telecom6030069
Gayantha N., Rajapakse C., Senanayake J. Advanced DDoS Attack Detection and Mitigation in Software-Defined Networking (SDN) Environments: An Integrated Machine Learning Approach // IEEE SCSE 2025. — Colombo: IEEE, 2025. — P. 1–6. https://doi.org/10.1109/SCSE65633.2025.11030982
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі:
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
