Enhanced Intrusion Detection in Software-Defined Networks Through Federated Learning and Deep Learning
Notice bibliographique
Résumé
Software-defined networks (SDNs), while offering a revolutionary global view of the network, remain susceptible to a variety of attacks.This vulnerability necessitates innovative solutions for preserving data privacy and enhancing network security.The work presented herein introduces an innovative network anomaly detection methodology leveraging both federated learning (FL) and deep learning (DL) techniques.In contrast to traditional collaborative learning, where potential privacy compromises arise from the distribution of local training data to a central server, the proposed methodology enables each switch in the network to collect data from its connected hosts and independently train a local Long Short-Term Memory (LSTM) model.Subsequently, each switch encrypts and forwards its model parameters to the controller.Upon receipt, the controller decrypts the parameters from each switch, computes their average, and formulates a global LSTM model.This model is disseminated to every switch in the network, enabling each host to retrain its local model according to the global parameters.This iterative process is conducted multiple times to maintain the timeliness of the information.Evaluation of the proposed methodology using the UNSW-NB15 dataset, in conjunction with NF-UQ-NIDS-v2 and CICIDS2017 datasets, demonstrated its efficacy in anomaly detection, with performance exceeding a 96.75% accuracy rate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».