Детектирование атак на отказ в программно-конфигурируемых сетях с использованием методов машинного обучения

Программно-конфигурируемые сети представляют собой современный подход к управлению сетевыми ресурсами, обеспечивающий гибкость и масштабируемость. Однако их централизованная архитектура делает их уязвимыми для различных типов атак, включая распределенные атаки на отказ в обслуживании. Такие атаки могут привести к значительным финансовым и операционным потерям, что подчеркивает необходимость разработки эффективных методов их обнаружения и предотвращения. В статье рассматриваются методы машинного обучения для противодействия DDoS-атакам в программно-конфигурируемых сетях. Исследование включает анализ атак, с использованием протоколов TCP, ICMP и UDP. Для обнаружения аномалий были применены модели машинного обучения, такие как k-ближайших соседей, деревья решений и вероятностные нейронные сети. Особое внимание уделено борьбе с переобучением с использованием методов кросс-валидации и метода главных компонент. В работе предлагаются сценарии обнаружения и классификации DDoS-атак в программно-конфигурируемых сетях использованием машинного обучения, а также оценка их точности. Результаты исследования помогут оценить эффективность выбранных моделей, на основе метрик F-меры, точности и полноты.

1. Титов Ф. М. Исследование методов защиты от атаки DDOS. Научные междисциплинарные исследования, 2021, № 5, стр. 36-41.

2. Саенко И. Б. и др. Модели компьютерных атак на программно-конфигурируемые сети. Наукоемкие технологии в космических исследованиях Земли, т. 15, № 1, 2023, стр. 37-47.

3. Distributed Denial-of-Service, DDoS (отказ от обслуживания) (online). Доступно по ссылке: https://www.tadviser.ru/index.php/Статья:Distributed_Denial-of-Service,_DDoS_(отказ_от_обслуживания), дата обращения: 15.08.2025.

4. Смелянский Р. Л. Программно-конфигурируемые сети. Открытые системы. СУБД, 2012, № 9,

5. стр. 15-26.

6. Shin S. W. et al. Fresco: Modular composable security services for software-defined networks. 20th annual network & distributed system security symposium. Ndss, 2013. Available at: https://www.ndss-symposium.org/wp-content/uploads/2017/09/07_2_0.pdf, accessed 07.12.2025.

7. Захаров В.А., Смелянский Р.Л., Чемерицкий Е.В. Формальная модель и задачи верификации программно-конфигурируемых сетей. Моделирование и анализ информационных систем. 2013;20(6):36-51. DOI: 10.18255/1818-1015-2013-6-36-51.

8. Нурудинов Г. М. Адаптивное управление трафиком в SDN-сетях с применением машинного обучения. Экономика и качество систем связи, 2024, № 1 (31), стр. 114-122.

9. Антипина А. В., Пашков В. Н. Метод предотвращения DDoS атак на контроллер в программно-конфигурируемых сетях. Программные системы и инструменты. Тематический сборник № 19 / Под ред. В. В. Балашов, А. Г. Бахмуров, Е. И. Большакова и др. Москва: ООО МАКС Пресс, 2019,

10. стр. 6–17.

11. Kumar V., Sangwan O. P. Signature based intrusion detection system using SNORT. International Journal of Computer Applications & Information Technology, 2012, vol. 1, issue 3, pp. 35-41. DOI: 10.32604/jiot.2022.039271.

12. Степанюк О. М., Подшибякин А. С. Подход к раннему обнаружению ddos-атак с использованием интеграции инструмента SNORT с SDN-контроллерами. Известия Тульского государственного университета. Технические науки, 2024, № 7, стр. 259-266.

13. OpenDaylight, available at: https://www.opendaylight.org/, accessed 10.11.2025.

14. ONOS Project, available at: https://wiki.onosproject.org/, accessed 10.11.2025.

15. Лейкин А. Протоколы транспортного уровня UDP, TCP и SCTP: достоинства и недостатки.

16. Первая миля, 2013, т. 38, № 5, стр. 62-69. Доступно по ссылке: https://elibrary.ru/download/elibrary_20452615_45493752.pdf.

17. Мигутина Е. А., Королькова Ю. Ю. Уязвимости протокола ICMP. Поколение будущего: взгляд молодых ученых-2020. Сборник трудов конференции, 2020, стр. 79-81. Доступно по ссылке: https://elibrary.ru/download/elibrary_44309380_95937478.pdf.

18. Богомолова Л. В. Классификация DDoS-атак и их реализация. Современные инновации, 2022,

19. № 1 (41), стр. 51-53. Доступно по ссылке: https://cyberleninka.ru/article/n/klassifikatsiya-ddos-atak-i-ih-realizatsiya, дата обращения 08.12.2025.

20. Волков С. С., Курочкин И. И. Применение методов машинного обучения в SDN в задачах обнаружения вторжений. International Journal of Open Information Technologies, 2019, т. 7, № 11, стр. 49-58. Доступно по ссылке: https://elibrary.ru/download/elibrary_41321761_57467477.pdf, дата обращения 08.12.2025.

21. Лапина М. А. и др. Исследование методов машинного обучения для обнаружения сайтов-мошенников. Известия ЮФУ. Технические науки, 2025, № 4, стр. 250-262. DOI: 10.18522/2311-3103-2025-4-250-262.

22. Лапина М.А., Капшук Н.Р., Русанов М.А., Тимофеева Е.Ф. Обнаружение атак с использованием SQL-инъекций по сетевым журналам с помощью методов машинного обучения. Труды Института системного программирования РАН, т. 37, вып. 5, 2025, стр. 81-92. DOI: 10.15514/ISPRAS-2025-37(5)-6. / Lapina M.A., Kapshuk N.R., Rusanov M.A., Timofeeva E.F. Detection of SQL Injection Attacks through the Network Logs Using Machine Learning Methods. Trudy ISP RAN/Proc. ISP RAS, 2025, vol. 37, issue 5, pp. 81-92 (in Russian):81-92. DOI: 10.15514/ISPRAS-2025-37(5)-6.

23. Лапина М. А. и др. Исследование методов машинного обучения спуфинг-атак в децентрализованых сетях. Известия ЮФУ. Технические науки, 2025, № 3, стр. 16-31. DOI: 10.18522/2311-3103-2025-3-16-31.

24. Lapina M.A., Podruchny N.V., Rusanov M.A., Babenko M.G. Research of machine learning methods for detecting network attacks. Trudy ISP RAN/Proc. ISP RAS. vol. 37, issue 4, part 2, 2025, pp. 147-174. DOI: 10.15514/ISPRAS-2025-37(4)-24.

25. Kaggle. DDoS SDN Dataset. Available at: URL: https://www.kaggle.com/datasets/chiragchiku25/ddos-sdn-dataset, accessed 15.08.2025.

26. Sasaki Y. The truth of the F-measure. Teach tutor mater, 2007, vol. 1, No. 5, pp. 1-5. Available at: https://www.researchgate.net/publication/268185911_The_truth_of_the_F-measure, accessed 08.12.2025.

27. Михайличенко А. А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения. Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки, 2022, № 4 (311), стр. 52-59. Доступно по ссылке: https://www.elibrary.ru/download/elibrary_50355429_49480416.pdf. DOI: 10.53598/2410-3225-2022-4-311-52-59.

28. Batista G. et al. How k-nearest neighbor parameters affect its performance. Argentine Symposium on Artificial Intelligence. Princeton, NJ, USA: Citeseer, 2009, pp. 1-12.

29. Rigatti S. J. Random forest. Journal of Insurance Medicine, 2017, vol. 47, No. 1, pp. 31-39.

30. Ходашинский И. А., Дель В. А., Анфилофьев А. Е. Выявление вредоносного сетевого трафика на основе ансамблей деревьев решений. Доклады Томского государственного университета систем управления и радиоэлектроники, 2014, No. 2 (32), pp. 202-206.

31. Zhang Z., Jung C. GBDT-MO: Gradient-boosted decision trees for multiple outputs. IEEE transactions on neural networks and learning systems, 2020, vol. 32, No. 7, pp. 3156-3167.

32. Zhang Z. Introduction to machine learning: k-nearest neighbors. Annals of translational medicine, 2016, vol. 4, No. 11, pp. 218.

33. Феоктистов А. Г. Вероятностная нейронная сеть классификации вычислительных заданий", Прогрессивные научные исследования-основа современной инновационной доктрины: сборник статей Международной научно-практической конференции (г. Киров, РФ, 25 ноября 2022 г.), Уфа: Аэтерна. Прогрессивные научные исследования – основа современной инновационной доктрины, 2022, pp. 131-135.

34. Манжула В. Г., Федяшов Д. С. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных. Фундаментальные исследования, 2011, т. 4, стр. 108-114.

35. Кафтанников И. Л., Парасич А. В. Особенности применения деревьев решений в задачах классификации. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника, 2015, т. 15, № 3, стр. 26-32.

36. Leung K. M. et al. Naive bayesian classifier. Polytechnic University Department of Computer Science/Finance and Risk Engineering, 2007, vol. 2007, pp. 123-156.

37. LaValley M. P. Logistic regression. Circulation, 2008, vol. 117, No. 18, pp. 2395-2399.

38. Geeks.ForGeeks. K-Nearest Neighbours. Доступно по ссылке: https://www.geeksforgeeks.org/machine-learning/k-nearest-neighbours/, accessed 13.12.2025.

39. Глинский И. В. Искусственные нейронные сети на основе радиально-базисных функций. Белорусский государственный университет информатики и радиоэлектроники. 59-я научная конференция аспирантов, магистрантов и студентов БГУИР, Минск, 2023. Доступно по ссылке: https://libeldoc.bsuir.by/bitstream/123456789/52761/1/Glinskii_Iskusstvennie.pdf, обращение 13.12.2025.

40. В.А. Парасич, И.В. Парасич, Г.И. Волович и др. Переобучение в машинном обучении: проблемы и решения. Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника», 2024, т. 24, № 2, стр. 18–27. DOI: 10.14529/ctcr240202.