摘要
近期，软件定义网络（SDN）的发展趋势因其集中式控制架构、动态流量行为和高可编程性而带来了重大的网络安全挑战。尽管这些特性提升了网络的灵活性和管理效率，但同时也增加了遭受分布式拒绝服务（DDoS）攻击的风险，这类攻击可能会耗尽网络资源并干扰服务运行。传统的基于签名和规则的检测方法难以应对不断变化的流量模式，且容易产生大量误报。机器学习为解决这一问题提供了更有前景的方案，它能够学习复杂的流量模式，并区分恶意流量和正常流量。然而，大多数机器学习模型属于“黑箱模型”，只能提供关于模型预测的表面性理解。可解释人工智能（XAI）通过识别关键的流量特征并为检测决策提供可解释的依据，克服了这一局限性。本研究开发了一个基于机器学习的可解释框架，用于在SDN环境中实现准确、透明且可靠的DDoS攻击检测。研究评估了多种机器学习模型，并应用XAI技术来解释这些模型在全局和实例层面的预测结果。研究使用70:30的训练-测试划分，对104,345条网络流量记录进行了梯度提升（Gradient Boosting）、逻辑回归（Logistic Regression）、AdaBoost和高斯朴素贝叶斯（Gaussian Naive Bayes）四种算法的评估。其中，梯度提升算法表现最为突出，训练准确率为99.88%，测试准确率为99.87%，测试F1分数为99.84%，误报率为0.20%。SHAP方法确定了最具影响力的流量特征，而LIME技术则将单个预测结果与其对应的特征贡献关联起来。因此，所提出的框架结合了可靠的DDoS检测机制与透明、以分析师为中心的决策支持功能，有效提升了SDN的安全监控能力。
