一种基于SDN的在线流量异常检测方法

doi:10.3969/j.issn.1001-2400.2015.01.025

J4 ›› 2015, Vol. 42 ›› Issue (1): 155-160.doi: 10.3969/j.issn.1001-2400.2015.01.025

一种基于SDN的在线流量异常检测方法

左青云;陈鸣;王秀磊;刘波

(解放军理工大学指挥信息系统学院，江苏南京 210007)

收稿日期:2013-09-11 出版日期:2015-02-20 发布日期:2015-04-14
通讯作者: 左青云
作者简介:左青云(1986-)，男，解放军理工大学博士研究生，E-mail：zuoqy@163.com．
基金资助:
国家“973”重点基础研究计划基金资助项目(2012CB315806)；国家自然科学基金资助项目(61070173，61103225)

Online traffic anomaly detection method for SDN

ZUO Qingyun;CHEN Ming;WANG Xiulei;LIU Bo

(College of Command Information Systems, PLA Univ. of Science and Technology, Nanjing 210007, China)

Received:2013-09-11 Online:2015-02-20 Published:2015-04-14
Contact: ZUO Qingyun

摘要/Abstract

摘要：

基于软件定义网络的集中管控平面，提出了一种在线流量异常检测方法．首先在控制器上在线获取OpenFlow交换机的流表信息，并构造整个网络的流量矩阵与样本熵矩阵进行组合，然后采用主成分分析方法检测异常流量．实验结果表明，相比于传统网络中利用主成分分析方法分别单独处理离线的流量矩阵或样本熵矩阵的方法，在线流量异常检测方法实现和处理方式简单、有效，异常流量能够得到快速隔离，是基于软件定义网络的一种轻量级在线流量异常检测方法．

关键词: 在线流量异常检测方法网络, 软件定义网络, 流量异常, 在线检测, 主成分分析

Abstract:

Based on the centralized control plane in SDN, an online traffic anomaly detection method (OpenTAD) is proposed. Firstly the flow table statistic is collected from the controller online, and the traffic matrix and sample entropy matrix are constructed and assembled. Then the PCA method is used to detect the abnormal traffic. The result of experiments show that, compared with the traditional PCA method which disposes the traffic matrix or the entropy matrix respectively offline, the OpenTAD is simple and effective, and traffic anomaly could be isolated rapidly. This method is a lightweight online traffic anomaly detection method for SDN.

Key words: OpenFlow network, software defined network, traffic anomaly, online detection, principal component analysis

中图分类号:

TP393

左青云;陈鸣;王秀磊;刘波. 一种基于SDN的在线流量异常检测方法[J]. J4, 2015, 42(1): 155-160.

ZUO Qingyun;CHEN Ming;WANG Xiulei;LIU Bo. Online traffic anomaly detection method for SDN[J]. J4, 2015, 42(1): 155-160.

参考文献

［1］ Open Networking Fundation. SDN ［EB/OL］. ［2013-08-03］. https://www.opennetworking.org.
［2］ Tootoonchian A, Ghobadi M, Ganjali Y. OpenTM: Traffic Matrix Estimator for OpenFlow Networks ［C］//Proceedings of the 11th International Conference on Passive and Active Measurement (PAM). Heidelberg: Springer, 2010: 201-210.
［3］ Jose L, Yu M, Rexford J. Online Measurement of Large Traffic Aggregates on Commodity Switches ［C］//Proceedings of the 11th USENIX Conference on Hot Topics in Management of Internet, Cloud, and Enterprise Networks and Services (Hot-ICE). Berkeley: USENIX Association, 2011: 13.
［4］ Braga R, Mota E, Passito A. Lightweight DDoS Flooding Attack Detection Using NOX/OpenFlow ［C］//IEEE 35th Conference on Local Computer Networks. Piscataway: IEEE, 2010: 408-415.
［5］ Mehdi S A, Khalid J, Khayam S A. Revisiting Traffic Anomaly Detection Using Software Defined Networking ［C］//Proceedings of the 14th International Conference on Recent Advances in Intrusion Detection. Heidelberg: Springer, 2011: 161-180.
［6］ Mckeown N, Anderson T, Balakrishnan H, et al. OpenFlow: Enabling Innovation in Campus Networks ［J］. ACM SIGCOMM Computer Communication Review, 2008, 38(2): 69-74.
［7］ Nychis G, Sekar V, Andersen D G, et al. An Empirical Evaluation of Entropy-based Traffic Anomaly Detection ［C］//Proceedings of the 8th ACM SIGCOMM Conference on Internet Measurement. New York: ACM, 2008: 151-156.
［8］ Lakhina A, Crovella M, Diot C. Diagnosing Network-wide Traffic Anomalies ［C］//Proceedings of the ACM SIGCOMM. New York: ACM, 2004: 219-230.
［9］ Lakhina A, Crovella M, Diot C. Mining Anomalies Using Traffic Feature Distributions ［C］//Proceedings of the ACM SIGCOMM. New York: ACM, 2005: 134-145.
［10］ Soule A, Salamatian K, Taft N. Combining Filtering and Statistical Methods for Anomaly Detection ［C］//Proceedings of the 5th ACM SIGCOMM Conference on Internet Measurement. Berkeley: USENIX Association, 2005: 31.
［11］ Gude N, Koponen T, Pettit J, et al. Nox: Towards an Operating System for Networks ［J］. ACM SIGCOMM Computer Communication Review, 2008, 38(3):105-110.
［12］ Handigol N, Heller B, Jeyakumar V, et al. Reproducible Network Experiments Using Container-based Emulation ［C］//Proceedings of the 8th International Conference on Emerging Networking Experiments and Technologies. New York: ACM, 2012: 253-264.

[1]	柴艳娜,李坤伦,宋焕生. 智能汽车的入侵检测系统安全研究[J]. 西安电子科技大学学报, 2021, 48(3): 31-39.
[2]	凌敏,罗影,袁亮,靳传学. 一种面向智慧交通的车联网网络流量估计方法[J]. 西安电子科技大学学报, 2021, 48(3): 40-48.
[3]	甄岩,赵虎. 层次型软件定义无线传感器网络资源调度策略[J]. 西安电子科技大学学报, 2019, 46(4): 87-98.
[4]	刘道华,崔玉爽,赵岩松,宋玉婷,王景慧. 一种改进卷积神经网络的教学图像检索方法[J]. 西安电子科技大学学报, 2019, 46(3): 52-58.
[5]	刘益岑,陈兴凯,卢昱,乔文欣. 一种软件定义网络的安全服务路径优化构建机制[J]. 西安电子科技大学学报, 2019, 46(1): 158-165.
[6]	李慧,奚园园,马宇鑫,张瑞梅. 融合PCA和ESN的交通流周期预测模型[J]. 西安电子科技大学学报, 2019, 46(1): 20-26.
[7]	郑凌;邱智亮;孙士勇;潘伟涛;王伟娜;张之义. 软件定义网络中一种两步式多级流表构建算法[J]. 西安电子科技大学学报, 2018, 45(5): 25-31.
[8]	汪星;黄小瑜;刘瑄璞;孔宪光;牛萌. 面向工业大数据的多层增量特征提取方法[J]. 西安电子科技大学学报, 2018, 45(4): 106-111.
[9]	熊余;张振振;师劲;吴大鹏. TWDM-PON中软件定义控制的全局资源分配机制[J]. 西安电子科技大学学报, 2017, 44(5): 140-146.
[10]	韩冰;贾中华;高新波. 改进的主成分分析网络极光图像分类方法[J]. 西安电子科技大学学报, 2017, 44(1): 83-88.
[11]	张居杰;方敏;郭锦. 一种新的多标记特征提取方法[J]. 西安电子科技大学学报, 2016, 43(6): 62-67.
[12]	孔宪光;章雄;马洪波;常建涛;牛萌. 面向复杂工业大数据的实时特征提取方法[J]. 西安电子科技大学学报, 2016, 43(5): 70-74+152.
[13]	王海军;葛红娟;张圣燕. 在线低秩表示的目标跟踪算法[J]. 西安电子科技大学学报, 2016, 43(5): 98-104.
[14]	史鹤欢;许悦雷;马时平;李岳云;李帅. PCA预训练的卷积神经网络目标识别算法[J]. 西安电子科技大学学报, 2016, 43(3): 161-166.
[15]	梁玮;曾平;郑海红;罗雪梅. 利用复合变换的多光谱图像压缩算法[J]. J4, 2015, 42(4): 33-40.

一种基于SDN的在线流量异常检测方法

Online traffic anomaly detection method for SDN

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0