该论文提出了一种基于机器学习（ML）的新型解决方案，用于基于云系统的自适应网络安全，该方案结合了分层多标签分类和动态信任评估系统，以提高威胁检测的准确性并减少误报数量。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
该论文提出了一种基于机器学习（ML）的新型解决方案，用于基于云系统的自适应网络安全，该方案结合了分层多标签分类和动态信任评估系统，以提高威胁检测的准确性并减少误报数量。
本研究提出了一种面向云计算环境的网络安全态势感知与风险预警新框架，该框架融合了自适应机器学习（ML）、分层多标签分类（HMC）以及基于云模型的动态信任评估机制。新兴网络攻击（如零日漏洞利用、分布式拒绝服务（DDoS）和僵尸网络）所具有的复杂性、多样性和实时性，对传统的基于规则和静态的检测方法构成了重大挑战。为应对这些挑战，我们开发了一种基于软件定义网络（SDN）的有效云架构，利用 Ryu OpenFlow 控制器和 OpenFlow 交换机，实现链路信息的实时采集、动态调度以及可扩展、可靠的数据传输。所提出的分层分类框架可将多类问题分解为多个二分类任务，缓解样本不平衡的影响，并提升对低频攻击（如用户到根权限攻击（U2R））的识别能力。集成学习技术（包括 AdaBoost 和 Bagging）进一步提高了对细粒度攻击类型的检测准确率。在 DDoS 数据集、云流量数据以及 Mininet 和 EstiNet 仿真环境中的实验结果表明，ML-HMC-信任机制相结合的方法显著提升了检测精度，降低了误报率，并支持实时响应。这些结果验证了将自适应学习、分层分类与动态信任评估相融合，可为大规模云平台的安全防护提供一种鲁棒且可扩展的解决方案。
随着云计算技术在各行业的广泛应用，信息系统中的数据规模和数据量正在迅速增长，网络威胁也变得愈发复杂、隐蔽和动态1,2。传统的基于规则和静态模型的安全防御机制，在面对不断变化的攻击策略、零日漏洞以及大规模分布式攻击时，已无法满足实时检测与精准预警的需求3。因此，利用自适应的机器学习算法，充分整合云计算平台中的分布式数据处理能力与智能分析能力，实现对网络安全态势的全面感知和对信息风险的有效预警，已成为当前信息安全领域面临的关键挑战4。该研究不仅对完善现有安全防护体系具有重要的理论意义，同时也为保障国家关键信息基础设施和企业核心数据安全提供了有力支撑5。
在云计算环境中实现网络安全态势感知与信息风险预警面临多重挑战：云平台汇聚的数据类型繁多、来源复杂，导致数据预处理、特征提取与融合任务日益艰巨；面对不断增长的网络流量和快速变化的攻击场景，系统需在极短时间内做出响应，实时检测与预警已成为技术瓶颈；正常流量与攻击流量的数量差异极大，传统算法在处理小样本类别（如U2R、网络攻击等）时准确率较低，存在较高的误判风险；在复杂的网络环境中，信任关系受多种因素影响，具有随机性和不确定性6
访问受限。请登录或开始试用以查看此内容。
注意：本方案描述了如何构建基于云的网络安全态势感知系统，并实现具有动态信任评估的分层分类。请按照以下步骤设计云网络拓扑、采集并标注数据流，以及部署分层多分类与信任评估模块。图1展示了所提出的SDN-云架构，该架构集成了自适应机器学习、分层分类和信任评估，用于实时攻击检测。
1. 云网络拓扑设计
注意：在继续操作前，请确保拥有 OpenStack、Ryu 和 Mininet 的管理员权限。
访问受限。请登录或开始试用以查看此内容。
实验验证与性能分析
基于云的验证
为了测试所提出算法的效率和可行性，在受控的网络实验室环境中进行了模拟测试。验证工作在 Windows 操作系统上进行，核心算法使用 VC（Visual C++）编程工具编写。
对于实验数据，我们选择了公开可用的 KDDCUP_10% 数据集(http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html)，该数据集在入侵检测和网络行为建模中较为常用。整体实验流程与先前描述的方法10非常相似，以确保结果的可比性和可信度。
主要算法参数设置为：时间间隔 T = 10 s；采样轮数 h = 20；数据样本数 n = 1000。
利用这些参数.......
访问受限。请登录或开始试用以查看此内容。
有效实施本方案依赖于基于云的架构中的关键步骤。正确配置 Ryu OpenFlow 控制器、准确设置 Open vSwitch 规则，以及构建稳健的多层拓扑结构，对于实现完整的流量捕获至关重要。选择 Ryu 作为控制器、Open vSwitch 作为交换平台，显著提升了系统的实用价值；其轻量级、模块化和完全可编程的特性，使其成为在云基础设施中实现实时网络监控、动态流控和可扩展安全管控的理想方案。同样，预处理流程（包括数据清洗、归一化和标注）也必须准确执行，以避免在分层分类过程中引入偏差，从而应对云安全分析中固有的复杂性。
部署过程中，为确保最佳性能，进行了多项调整。集成模型最初在少数类别上表现出过拟合现象，需要调整弱学习器的深度和投票权重，这与异常检测中遇到的挑战相似。为缓解由噪声流量引起的信任值波动问题，重新校准了云模型的熵值和衰减参数。此外，通过增加主题分区数量以支持高吞吐量的云环境，解决了Kafka-Spark数据流管道中的瓶颈问题。
Mininet 和 EstiNet 仿真实验结果，以及基于真实云流量和 DDoS 数据集.......
访问受限。请登录或开始试用以查看此内容。
作者无任何利益冲突需要披露。
作者感谢上海质子重离子中心信息科为本研究提供了必要的计算资源和科研环境。我们还感谢同事们在系统设计与测试阶段提供的宝贵技术建议。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| AdaBoost（集成学习库） | Scikit-learn, Python | https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html | 软件 |
| Bagging 分类器 | Scikit-learn, Python | https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.BaggingClassifier.html | 软件 |
| 云模型信任评估代码 | 自定义实现 | N/A | 算法/软件 |
| 卷积神经网络（CNN） | TensorFlow / PyTorch | https://www.tensorflow.org/tutorials/images/cnn | 软件 |
| 深度学习框架（MLP、RNN、LSTM、GRU） | TensorFlow / PyTorch | 软件 | |
| EstiNet 网络模拟器 | EstiNet Technologies | https://sites.google.com/view/estinet-network-simulator | 软件 |
| Kafka（数据流平台） | Apache 基金会 | https://kafka.apache.org/ | 软件 |
| KDD CUP 10% 数据集 | UCI 机器学习知识库 | http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html | 数据集 |
| Mininet 模拟器 | Mininet 项目 | Mininet 2.3.1 | 用于 SDN 拓扑、带宽和混合攻击模拟的网络模拟工具。 |
| Open vSwitch（OVS） | Open vSwitch 组织 | OVS 3.2.2 | 实现流表控制和攻击流量重定向的虚拟交换机。 |
| OpenStack 云平台 | 开放基础设施基金会 | https://www.openstack.org/ | 云软件 |
| Python 3.x | Python 软件基金会 | https://www.python.org/downloads/ | 编程语言 |
| Ryu SDN 控制器 | NTT R&D | Ryu 4.34 | 用于实时网络流量捕获与态势感知的 SDN 控制器。 |
| Spark Streaming 框架 | Apache 基金会 | https://spark.apache.org/docs/latest/streaming-programming-guide.html | 软件 |
| Visual C++（VC++）编译器 | Microsoft | https://visualstudio.microsoft.com/ | 软件 |
| Windows 11 工作站 | Microsoft | Windows 11 Pro 23H2 | 用于模型编译、训练和测试的操作系统。 |
访问受限。请登录或开始试用以查看此内容。