Achieving Lightweight Path Validation and Packet Modification Detection in Software-Defined Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Software-Defined Networks (SDN) bring unprecedented agility and programmability to traditional networks by decoupling the control plane and data plane. However, this separation enables adversaries to manipulate data plane forwarding behaviors or modify packet payloads, thereby violating the network security policies set by the control plane and leading to information leakage, network congestion, or even network collapse. In this article, we propose an Enhanced Lightweight Path Validation Scheme (EL-PVS) for the SDN environment. Firstly, we propose a packet forwarding path validation scheme that verifies the paths traversed by packets, alongside a theoretical analysis of this validation process. Then, we extend the scheme with a network flow-level path validation to improve the validation efficiency, and present a storage optimization method to reduce the storage overhead in the validation process. To support large-scale deployment, we design a path partition scheme and present a Greedy-based KeySwitch Node Selection Algorithm (GKSS) to pinpoint optimal switches for path partition, significantly reducing overall data plane storage usage and the total number of paths requiring validation. In addition, we extend our path validation scheme to detect packet payload modification, where a multi-phase packet modification detection approach is designed, and then the detection results are integrated with path validation information to minimize switch-to-controller bandwidth usage. Finally, we present an anomaly switch identification technique to identify abnormal switches when the controller encounters validation failure. The evaluation results verify that EL-PVS enables flow-level path validation and packet modification detection with small validation header, minimizing processing delay and switch storage overhead.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle