Zobraziť v EDS

DCGAN DATA BALANCING TO IMPROVE ACCURACY OF HYBRID CNN-LSTM INTRUSION DETECTION FRAMEWORK IN SDN ENVIRONMENT

Uložené v:
Podrobná bibliografia
Názov: DCGAN DATA BALANCING TO IMPROVE ACCURACY OF HYBRID CNN-LSTM INTRUSION DETECTION FRAMEWORK IN SDN ENVIRONMENT
Zdroj: Advanced Information Systems; Vol. 9 No. 4 (2025): Advanced Information Systems; 120-131
Современные информационные системы-Sučasnì ìnformacìjnì sistemi; Том 9 № 4 (2025): Сучасні інформаційні системи; 120-131
Сучасні інформаційні системи; Том 9 № 4 (2025): Сучасні інформаційні системи; 120-131
Informácie o vydavateľovi: NTU "KhPI", 2025.
Rok vydania: 2025
Predmety: програмно-визначені мережі (SDN), атаки, Mininet, DCGAN, Attacks, LSTM, CNN, Software-Defined Networking
Popis: Maintaining robust network security in Software-Defined Networking (SDN) systems has become increasingly challenging due to sophisticated cyber-attacks and the centralized nature of SDN. This paper introduces a novel intrusion detection system based on a hybrid deep learning model that combines Convolutional Neural Networks (CNN) for spatial feature extraction and Long Short-Term Memory (LSTM) networks for temporal dependency extraction. The approach is applied to the large InSDN dataset, having labeled traffic for normal activity as well as various classes of attacks, to train multi-class as well as binary classifiers. Synthetic samples are generated based on Deep Convolutional Generative Adversarial Networks (DCGAN) in order to effectively tackle the issues due to class imbalance and thereby enhance the detection rate for minority classes of attacks. Experimental tests carried out in a simulated SDN network with Mininet and Hping3 have outstanding performance, with the binary model achieving 99.81% accuracy and the optimal multi-class model achieving 99.4% accuracy. Such promising results demonstrate the capability of the proposed framework to offer an efficient and scalable real-time intrusion detection solution for the modern SDN infrastructures.
Підтримання надійної мережевої безпеки в системах із програмно-визначеними мережами (SDN) стає все більш складним через складні кібератаки та централізовану природу SDN. Ця робота представляє нову систему виявлення вторгнень на основі гібридної моделі глибокого навчання, яка поєднує згорткові нейронні мережі (CNN) для виділення просторових ознак та мережі довгої короткочасної пам’яті (LSTM) для виділення часових залежностей. Підхід застосовано до великого набору даних InSDN, що містить маркований трафік для звичайної активності та різних класів атак, для навчання як багатокласових, так і бінарних класифікаторів. Синтетичні зразки генеруються на основі глибоких згорткових генеративних змагальних мереж (DCGAN) для ефективного вирішення проблем через дисбаланс класів і, таким чином, підвищення рівня виявлення для менших класів атак. Експериментальні тести, проведені в імітованій SDN мережі з Mininet та Hping3, демонструють видатну продуктивність: бінарна модель досягає 99.81% точності, а оптимальна багатокласова модель — 99.4% точності. Такі перспективні результати демонструють здатність запропонованої рамки запропонувати ефективне та масштабоване рішення для виявлення вторгнень у реальному часі для сучасних SDN інфраструктур.
Druh dokumentu: Article
Popis súboru: application/pdf
Jazyk: English
ISSN: 2522-9052
Prístupová URL adresa: http://ais.khpi.edu.ua/article/view/340700
Prístupové číslo: edsair.scientific.p..8cfa3bb379f089a58543bfd4e6c5c4d3
Databáza: OpenAIRE
Popis
Abstrakt:Maintaining robust network security in Software-Defined Networking (SDN) systems has become increasingly challenging due to sophisticated cyber-attacks and the centralized nature of SDN. This paper introduces a novel intrusion detection system based on a hybrid deep learning model that combines Convolutional Neural Networks (CNN) for spatial feature extraction and Long Short-Term Memory (LSTM) networks for temporal dependency extraction. The approach is applied to the large InSDN dataset, having labeled traffic for normal activity as well as various classes of attacks, to train multi-class as well as binary classifiers. Synthetic samples are generated based on Deep Convolutional Generative Adversarial Networks (DCGAN) in order to effectively tackle the issues due to class imbalance and thereby enhance the detection rate for minority classes of attacks. Experimental tests carried out in a simulated SDN network with Mininet and Hping3 have outstanding performance, with the binary model achieving 99.81% accuracy and the optimal multi-class model achieving 99.4% accuracy. Such promising results demonstrate the capability of the proposed framework to offer an efficient and scalable real-time intrusion detection solution for the modern SDN infrastructures.<br />Підтримання надійної мережевої безпеки в системах із програмно-визначеними мережами (SDN) стає все більш складним через складні кібератаки та централізовану природу SDN. Ця робота представляє нову систему виявлення вторгнень на основі гібридної моделі глибокого навчання, яка поєднує згорткові нейронні мережі (CNN) для виділення просторових ознак та мережі довгої короткочасної пам’яті (LSTM) для виділення часових залежностей. Підхід застосовано до великого набору даних InSDN, що містить маркований трафік для звичайної активності та різних класів атак, для навчання як багатокласових, так і бінарних класифікаторів. Синтетичні зразки генеруються на основі глибоких згорткових генеративних змагальних мереж (DCGAN) для ефективного вирішення проблем через дисбаланс класів і, таким чином, підвищення рівня виявлення для менших класів атак. Експериментальні тести, проведені в імітованій SDN мережі з Mininet та Hping3, демонструють видатну продуктивність: бінарна модель досягає 99.81% точності, а оптимальна багатокласова модель — 99.4% точності. Такі перспективні результати демонструють здатність запропонованої рамки запропонувати ефективне та масштабоване рішення для виявлення вторгнень у реальному часі для сучасних SDN інфраструктур.
ISSN:25229052