SecFlow:面向资源受限IoT设备的P4数据平面两阶段DDoS检测与归因框架
《IEEE Access》:In-Network Security Framework for Detecting and Classifying DDoS Attacks
【字体:
大
中
小
】
时间:2026年10月23日
来源:IEEE Access 4.2
编辑推荐:
摘要:资源受限的物联网(IoT)设备的快速普及显著扩大了网络攻击面,使其更易遭受分布式拒绝服务(DDoS)攻击。现有的可编程数据平面防御方案要么只能检测恶意流量而无法归因具体攻击类型,要么仅通过控制平面处理实现细粒度归因,而后者又重新引入了网络内防御方案本欲避免的延迟问题。
摘要:
资源受限的物联网(IoT)设备的快速普及显著扩大了网络攻击面,使其更易遭受分布式拒绝服务(DDoS)攻击。现有的可编程数据平面防御方案要么只能检测恶意流量而无法归因具体攻击类型,要么仅通过控制平面处理实现细粒度归因,而后者又重新引入了网络内防御方案本欲避免的延迟问题。本文提出了SecFlow,一个双阶段防御框架,直接在P4数据平面中执行实时DDoS检测,并在后端服务器上归因具体攻击类型,涵盖流量型、协议型和应用层攻击的九种子类型,从而实现对交换机级缓解规则的快速精确更新。在CICIoT2023数据集上的评估显示,推荐的TCP和UDP专用决策树检测器实现了高达99%的TCP流级准确率,以及UDP的完美流级真阴性率和86%的真阳性率。基于ResNet的后端分类器以95%的加权准确率(宏平均F1为0.88)归因具体攻击类型;流量型攻击的逐类F1得分达到0.95至1.00,协议型攻击的F1得分达到0.82至0.99,但应用层攻击的F1得分降至0.43(HTTP Flood)和0.86(Slowloris),反映了低速攻击类型之间的特征重叠问题。在一项独立的、协调一致的比较中,在基于Docker的共同P4测试平台上,SecFlow与四种具有代表性的网络内及混合DDoS检测器进行了对比评估——由于跨系统公平评估的需要采用了较粗粒度的流量分组——SecFlow是唯一在所有评估类别中对正常流量和恶意流量均维持较高流准确率(≥0.86)的系统,同时拥有第二低的内存占用和五套测试系统中最低的CPU使用率之一;每个对比系统至少在一个类别上表现出严重的准确率下降,包括一种情况下的正常流量。实...
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号