《Computer Networks》：LDSG-MLP: Research on a lightweight deep learning DDoS intrusion detection method for SDN
编辑推荐：
DDoS攻击对SDN安全构成严重威胁，现有方法存在计算资源消耗大、数据隐私保护不足等问题。本文提出轻量级动态稀疏门控多层感知机（LDSG-MLP）及其联邦学习扩展版（FedLDSG-MLP），通过共享投影层、专家并行机制和动态聚合的三阶段框架，实现高效特征压缩与自适应专家选择，降低计算复杂度达60%。联邦学习机制采用参数隔离与FedGateAvg聚合算法，在保护数据隐私前提下提升模型收敛速度30%，实验表明LDSG-MLP检测准确率达98.7%，资源占用减少45%，FedLDSG-MLP在非独立同分布场景下F1值提升22.3%。
翟亚红|张晓航|范志远|徐龙岩
湖北汽车工业技术学院智能连接车辆学院，十堰，442002，中国
摘要
分布式拒绝服务（DDoS）攻击对软件定义网络（SDN）的安全构成了严重威胁。鉴于现有深度学习检测方法在计算资源消耗和数据隐私保护方面的局限性，本文提出了一种轻量级的动态稀疏门控多层感知器（LDSG-MLP）及其联邦学习扩展版本（FedLDSG-MLP）。LDSG-MLP的核心创新在于“共享投影-专家并行性-动态聚合”的三阶段处理框架。通过共享投影层实现了特征空间的高效压缩和重构，动态稀疏门控机制利用特征驱动的自适应专家选择有效降低了计算复杂性和资源占用。在此基础上，FedLDSG-MLP引入了参数隔离的联邦学习机制和FedGateAvg聚合方法，通过将模型参数分为全局联邦参数和本地个性化参数，在全局协作和客户端数据特异性之间取得了平衡。特别是，通过保留门控网络参数的本地特性，显著提高了模型在非独立同分布（Non-IID）环境中的收敛速度和鲁棒性，并实现了在隐私保护下的高效分布式协同训练。实验结果表明，LDSG-MLP在关键性能指标上优于现有的基线模型，并显著降低了资源占用。FedGateAvg聚合方法在收敛效率和鲁棒性方面明显优于其他方法，验证了其在异构数据场景中的优势。这种具有轻量级和完整隐私保护的尖端解决方案为SDN环境中的DDoS入侵检测提供了高效且具有重要理论价值和实际应用前景的解决方案。
引言
近年来，随着5G、物联网和云计算等新兴技术的快速发展，全球数据流量呈爆炸性增长。根据思科发布的“全球云指数”，到2025年，全球年IP流量将达到496ZB，是2020年的2.3倍。在这种背景下，由于缺乏灵活性和管理效率低下，传统网络架构难以满足多样化的网络服务需求。软件定义网络（SDN）应运而生。凭借其灵活的网络管理架构和集中控制能力，它已成为现代网络基础设施的重要支柱[1]。通过将控制平面与数据平面分离，SDN实现了集中管理和开放接口，提升了网络的可编程性、高可扩展性和流量可视化的优势。它已被广泛应用于数据中心[2]、广域网优化[3]、网络安全保护[4]等领域，成为构建智能高效网络基础设施的核心技术之一。
SDN架构主要由三层组成，从下到上分别为数据平面、控制平面和应用平面（见图1）[5]。数据平面由交换机和路由器等转发设备组成，主要负责根据控制平面发布的流表规则匹配、处理和转发数据包。控制平面是SDN架构的核心，通常由一个或多个控制器组成。控制器通过标准协议（如OpenFlow）与数据平面设备通信，收集网络拓扑、链路状态和流量统计信息，并据此计算最佳数据包转发路径，然后将流表规则发送到数据平面。应用平面位于最顶层，为网络管理员和开发者提供丰富的接口。通过调用控制平面API，可以实现流量调度、负载均衡和安全保护等智能网络管理[6]。
然而，虽然SDN提高了网络管理效率，但也面临严重的安全挑战。由于控制平面的高度集中，一旦控制器受到攻击，整个网络运行将受到严重影响[8]。同时，SDN的开放性和可编程性扩大了潜在的攻击面。攻击者可以利用API接口漏洞或控制器协议缺陷进行流量劫持、配置篡改和拒绝服务等攻击。其中，分布式拒绝服务（DDoS）攻击因其大规模、高破坏性和高防御复杂性成为SDN环境中的主要安全威胁。DDoS攻击控制大量僵尸节点向目标服务器发送大量无效请求，耗尽其计算和带宽资源，从而阻止正常用户的服务访问[9]。
针对SDN网络中的DDoS检测问题，研究人员提出了多种方法。Hirsi等人提出了一个HSF混合机器学习框架，该框架使用随机森林（RF）进行特征选择和降维，并通过支持向量机（SVM）实现流量分类，结合动态信任值调整机制构建了“检测-评估-阻断”的闭环过程。然而，随着网络规模和流量复杂性的增加，该框架的计算开销显著增加，难以满足实时检测要求[10]。为了弥补数据集的局限性，Hirsi等人基于Mininet生成了包含1,048,575条记录的SDN-DDoS_Traffic_Dataset，通过卡方检验筛选出16个关键特征，并评估了逻辑回归、SVM和RF等五种监督学习模型的性能，但其实时性能和对未知攻击的泛化能力仍需验证[7]。此外，Tan等人提出了针对控制器单点故障的数据-控制平面协同检测框架，利用交换机CPU的packet_in率筛选可疑流量，在控制平面结合K-Means和KNN算法识别攻击，然后集中发布防御策略。然而，在大规模流量场景中，该方案仍面临控制器负载过高的问题，需要流量计算框架来提高系统的可扩展性[11]。
传统的DDoS检测方法，如基于流量阈值的检测[12]和基于静态机器学习的检测[13]，通常存在检测效率低、误报率高以及难以适应SDN环境中动态流量特征的局限性。近年来，尽管深度学习方法在SDN入侵检测方面取得了显著进展[14]，但仍面临计算复杂度高、部署灵活性差、样本分布不均匀和隐私风险等问题。例如，CNN[15]和RNN[16]等模型难以应用于资源受限的控制器或物联网网关；DDoS流量的非平稳性使得静态特征提取无法实现连续检测；集中训练依赖于大量原始流量数据，不仅增加了通信开销，还带来了潜在的隐私泄露风险[17]。
针对上述问题，本文提出了一种结合动态稀疏门控和联邦学习的SDN DDoS检测方案。动态稀疏门控机制可以实现分层特征选择和高效参数设计，在保持高准确性的同时显著降低计算复杂度，适用于资源受限的环境；联邦学习机制通过参数隔离实现分布式协同建模，有效保护数据隐私并提高对新攻击的泛化能力。与传统混合或监督学习方法相比，该方案在检测效率、资源占用和隐私保护方面具有显著优势。具体贡献如下：
•构建了三个不同规模的SDN DDoS数据集，涵盖多种攻击场景，实现了高质量的训练数据支持。
•结合特征提取和过采样技术处理类别不平衡问题，筛选重要特征以提高检测性能。
•提出了一种轻量级的动态稀疏门控多层感知器（LDSG-MLP），在高精度和低计算开销之间取得平衡。
•基于LDSG-MLP引入参数隔离的联邦学习，提出FedLDSG-MLP以实现分布式隐私保护和协同建模。
•在六个数据集上进行系统实验，验证了所提方法在各种场景下的检测准确性、泛化能力和效率优势。
本文的结构如下：第2节回顾相关工作。第3节介绍方法设计。第4节进行实验和结果分析。第5节总结并讨论局限性。第6节展望未来工作。
相关研究
相关工作
本节将介绍SDN中检测DDoS攻击的最新技术。
Logeswari G等人提出了HFS-LGBM入侵检测系统，该系统采用两阶段混合特征选择（HFS）：首先使用相关性特征选择（CFS）消除冗余特征，然后使用随机森林递归特征消除（RF-RFE）提取最优子集，并结合LightGBM实现高效分类[18]。
Mahmud等人提出了另一种入侵检测方法
研究方法
提出了基于SDN的DDoS数据集构建方法，并进一步介绍了所提出的轻量级深度学习检测模型及其用于参数隔离的联邦学习机制。数据集描述和预处理
基于三种不同规模的网络拓扑生成了包含30个特征的三组数据集。所有特征的详细信息见表9。表10总结了基于三种不同网络拓扑（拓扑1、2和3）生成的三组数据集的基本信息。每组数据集包含30个流量特征，分别覆盖正常流量和恶意流量样本，以支持后续的入侵检测建模
结论与局限性讨论
本文提出了FedLDSG-MLP，这是一种结合动态稀疏门控和联邦学习的协同SDN DDoS检测框架，旨在资源受限的边缘环境中平衡高精度安全和隐私。通过软门控策略优化门控机制，LDSG-MLP避免了传统MoE路由的不稳定性，显著提升了训练稳定性和工程可实现性。我们的实证评估表明，该模型实现了
未来工作
在本文的稳健检测基础上，未来的研究将重点关注以下方向，以提高框架的运行成熟度：•物理硬件与高可用性：将框架移植到支持P4的交换机和基于ARM的网关上，评估硬件级别的I/O延迟，并研究控制器故障转移期间的检测一致性。
•对抗鲁棒性：将对抗训练集成到联邦聚合过程中
CRediT作者贡献声明
翟亚红：撰写——审稿与编辑、软件、项目管理、形式分析。张晓航：撰写——原始草案、可视化、验证、方法论、资金获取、数据管理、概念化。范志远：可视化、数据管理。徐龙岩：监督、资源管理、项目管理、调查、资金获取。
