面向醫(yī)院SDN的網(wǎng)絡(luò)安全研究

郭天偉　楊海東

摘? ?要：針對(duì)廣泛應(yīng)用于醫(yī)院的軟件定義網(wǎng)絡(luò)（SDN）難以應(yīng)對(duì)內(nèi)部網(wǎng)絡(luò)威脅的問題，設(shè)計(jì)了一種基于貝葉斯推理的信任管理機(jī)制來識(shí)別網(wǎng)絡(luò)內(nèi)部可能存在的惡意設(shè)備。該機(jī)制主要是利用貝葉斯推理方法推導(dǎo)出惡意攻擊數(shù)據(jù)包的發(fā)送概率從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)內(nèi)部設(shè)備的信任管理。通過仿真環(huán)境和真實(shí)網(wǎng)絡(luò)環(huán)境下的實(shí)驗(yàn)證明了該方法可以比類似的方法更快地降低惡意設(shè)備的信任值。

關(guān)鍵詞：入侵檢測(cè);軟件定義網(wǎng)絡(luò);醫(yī)療網(wǎng)絡(luò);貝葉斯推理

中圖分類號(hào)：TP393? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

Network Security Research for Hospital SDN

GUO Tian-wei1 ，YANG Hai-dong2

（1. Information Statistics Center，Huai'an Second People's Hospital，Huaian，Jiangsu 223001，China;

2. School of Computer Science and Technology，Huaiyin Normal University，Huaian，Jiangsu 223001，China）

Abstract：A software-defined network （SDN） widely used in hospitals is difficult to deal with internal network threats. A Bayesian-based trust management mechanism is designed to identify possible malicious devices inside the network. The mechanism mainly uses the Bayesian inference method to derive the probability of sending malicious attack packets to realize the trust management of the internal devices of the network. Experiments in the simulation environment and the real network environment prove that the method can reduce the trust value of malicious devices faster than similar methods..

Key words：intrusion detection;software-defined network;medical network;Bayesian inference

使用信息和通信技術(shù)的聯(lián)網(wǎng)醫(yī)療設(shè)備可以更有效地管理醫(yī)療資產(chǎn)、電子健康記錄、通信等，從而降低健康監(jiān)測(cè)和醫(yī)療的成本，但是這也會(huì)導(dǎo)致網(wǎng)絡(luò)和數(shù)據(jù)風(fēng)險(xiǎn)[1-2]。數(shù)量越來越多的網(wǎng)絡(luò)終端設(shè)備給醫(yī)療網(wǎng)絡(luò)安全管理帶來巨大挑戰(zhàn)，一方面醫(yī)療網(wǎng)絡(luò)需要保證所有終端設(shè)備都能順利運(yùn)行，因此所采用的安全解決方案應(yīng)該要保證低誤報(bào)率，另一方面所采用的安全解決方案應(yīng)提供全過程檢查和管理，即監(jiān)控全時(shí)段的網(wǎng)絡(luò)流量和設(shè)備行為[3]?；诋?dāng)前的醫(yī)療機(jī)構(gòu)大多采用了SDN（Software Defined Network）網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)網(wǎng)絡(luò)的集中控制的現(xiàn)狀，針對(duì)醫(yī)療SDN網(wǎng)絡(luò)內(nèi)部惡意流量和惡意網(wǎng)絡(luò)行為的檢測(cè)進(jìn)行了研究。本研究針對(duì)醫(yī)療SDN網(wǎng)絡(luò)的典型體系結(jié)構(gòu)開發(fā)了一種基于貝葉斯模型的網(wǎng)絡(luò)終端設(shè)備的信任評(píng)估，并利用評(píng)估結(jié)果動(dòng)態(tài)識(shí)別可能存在惡意流量和行為的網(wǎng)絡(luò)終端。最后分別在仿真和真實(shí)環(huán)境中對(duì)所提議的方法開展了實(shí)驗(yàn)評(píng)估。研究的目的是利用信任計(jì)算實(shí)現(xiàn)網(wǎng)絡(luò)內(nèi)部惡意設(shè)備的識(shí)別，因此可作為現(xiàn)有的醫(yī)療網(wǎng)絡(luò)安全解決方案的必要補(bǔ)充。

1? ?醫(yī)療SDN的體系架構(gòu)

醫(yī)療網(wǎng)絡(luò)的一個(gè)關(guān)鍵功能是在系統(tǒng)安全的前提下保證設(shè)備無縫通信。因?yàn)槊總€(gè)網(wǎng)絡(luò)終端設(shè)備可能包含數(shù)百種需要更改的配置，傳統(tǒng)網(wǎng)絡(luò)通常很難實(shí)現(xiàn)系統(tǒng)整合。由于SDN提供了從網(wǎng)絡(luò)設(shè)備抽象網(wǎng)絡(luò)策略的能力，消除了設(shè)備級(jí)配置，使集中控制成為可能，并提供了一個(gè)便于集成的開放網(wǎng)絡(luò)模型，因此SDN解決方案成為醫(yī)療機(jī)構(gòu)的必然選擇。

典型的醫(yī)療SDN體系結(jié)構(gòu)如圖1所示。SDN體系結(jié)構(gòu)由SDN控制器、一組OpenFlow交換機(jī)和一些醫(yī)療設(shè)備和客戶端設(shè)備（例如移動(dòng)設(shè)備和個(gè)人計(jì)算機(jī)）組成。OpenFlow[4]交換機(jī)將網(wǎng)絡(luò)設(shè)備的數(shù)據(jù)和控制功能分離開來。OpenFlow規(guī)范提供了實(shí)現(xiàn)SDN體系結(jié)構(gòu)的標(biāo)準(zhǔn)化方法，OpenFlow協(xié)議可以控制在何處發(fā)送數(shù)據(jù)包的網(wǎng)絡(luò)交換機(jī)。所有這些使得整個(gè)網(wǎng)絡(luò)的編程獨(dú)立于各個(gè)交換機(jī)和數(shù)據(jù)中心。因此，SDN控制器可以從每個(gè)交換機(jī)收集流量狀態(tài)，方便地管理其流量。控制器可以配置OpenFlow交換機(jī)發(fā)送的所有數(shù)據(jù)包[5-7]。

2? ?面向醫(yī)療SDN的設(shè)備信任評(píng)估機(jī)制

本節(jié)將描述如何將入侵檢測(cè)系統(tǒng)（IDS）應(yīng)用到醫(yī)療SDN網(wǎng)絡(luò)中，并介紹了如何利用貝葉斯推理方法對(duì)網(wǎng)絡(luò)內(nèi)部的終端設(shè)備進(jìn)行信任管理。

2.1? ?IDS的部署方法

IDS具有實(shí)時(shí)分析流量、解釋協(xié)議和執(zhí)行簽名匹配的能力，是用于檢測(cè)各種網(wǎng)絡(luò)異常行為的常見安全解決方案。如圖1所示，在醫(yī)療網(wǎng)絡(luò)中IDS部署在醫(yī)療SDN中的集中服務(wù)器中，以檢查所有轉(zhuǎn)發(fā)的數(shù)據(jù)包。IDS有兩種常見的部署方法[8]：1）單IDS部署。此部署方法僅使用一個(gè)IDS來控制和處理醫(yī)療網(wǎng)絡(luò)中的所有流量，但要求已部署的IDS具有強(qiáng)大的處理和通信能力。2）多IDS部署。此部署方法使用一個(gè)主IDS和一組代理IDS。代理IDS負(fù)責(zé)處理SDN/OpenFlow交換機(jī)中的流量，主IDS則作為控制器與SDN控制器進(jìn)行數(shù)據(jù)聚合和通信。這兩種部署方法都要求交換機(jī)將數(shù)據(jù)包鏡像發(fā)送到IDS。本研究的調(diào)查發(fā)現(xiàn)大多數(shù)醫(yī)療機(jī)構(gòu)采用了多IDS部署方法，因?yàn)檫@種部署方法更適合醫(yī)療機(jī)構(gòu)的分布式網(wǎng)絡(luò)環(huán)境。下面針對(duì)這種部署方法開展研究。

2.2? ?基于貝葉斯推理的信任管理

貝葉斯推理是使用貝葉斯規(guī)則來調(diào)整假設(shè)的概率。信任管理可以幫助計(jì)算網(wǎng)絡(luò)節(jié)點(diǎn)之間的可信度，并根據(jù)定義的規(guī)則來判斷惡意節(jié)點(diǎn)。首先假設(shè)由一個(gè)終端設(shè)備發(fā)送的所有數(shù)據(jù)包彼此獨(dú)立。這個(gè)假設(shè)表明任何數(shù)據(jù)包為惡意攻擊數(shù)據(jù)包的概率是1/2。表1為與貝葉斯推理模型使用相關(guān)的一些關(guān)鍵術(shù)語[9]。

根據(jù)已有的研究結(jié)果，可以合理地假設(shè)觀測(cè)到的n（N） = k的分布服從二項(xiàng)分布[10]。如果觀察到一個(gè)終端設(shè)備發(fā)送N個(gè)數(shù)據(jù)包，其中k個(gè)是正常的概率為：

P（n（N）） = k| p） = Nkpk（1 - p）N - k? ? ?（1）

應(yīng)用貝葉斯推理的最終目的是判斷第（N+1）數(shù)據(jù)包為正常的概率，即P（VN+1=1|n（N）=k）。該概率的分布服從基于貝葉斯定理[11]：

P（VN+1=1|n（N）=k）= ■? ?（2）

然后將邊際分布應(yīng)用到式2中。也就是說，如果X和Y是離散隨機(jī)變量，f（X，Y）是其在（X，Y）處的聯(lián)合概率分布的值，則X和Y的邊際分布分別為： ∑y? f（x，y）和∑x? f（x，y）。在這種情況下有如下結(jié)果：

P（n（N） = k） = ■P（n（N） = k| p）f（p）·dp? （3）

P（VN+1=1，n（N）=k）= ■P（n（N） = k| p）f（p）·dp

（4）

由于沒有關(guān)于p的任何先驗(yàn)信息，因此可以合理地假設(shè)該信息由統(tǒng)一的先驗(yàn)分布f（p） = 1控制，其中p∈[0，1]。綜合式1至4可以導(dǎo)出式5：

P（VN+1=1|n（N）=k）= ■=

■=■? （5）

式5給出了計(jì)算醫(yī)療SDN中網(wǎng)絡(luò)終端設(shè)備（或稱為網(wǎng)絡(luò)節(jié)點(diǎn)）的信任值的方法。由式5可知，網(wǎng)絡(luò)節(jié)點(diǎn)信任值計(jì)算的關(guān)鍵是要獲取數(shù)據(jù)包總數(shù)N并知道有多少數(shù)據(jù)包（k）是正常的。因此，集中式服務(wù)器可以在網(wǎng)絡(luò)節(jié)點(diǎn)之間建立信任映射，并且如果給定適當(dāng)?shù)拈撝祫t檢測(cè)潛在的不真實(shí)或惡意網(wǎng)絡(luò)節(jié)點(diǎn)。根據(jù)特定的安全要求和設(shè)置，醫(yī)療機(jī)構(gòu)的網(wǎng)絡(luò)安全管理員可以相應(yīng)地調(diào)整閾值。

2.3? ?檢測(cè)閾值

已有的研究結(jié)果表明，為提高惡意流量和網(wǎng)絡(luò)行為的檢測(cè)準(zhǔn)確度和識(shí)別速度，相對(duì)較新的網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)比相對(duì)較舊的網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)更重要[12]。因此，本研究采用遺忘因子λ為較舊的網(wǎng)絡(luò)狀態(tài)統(tǒng)計(jì)數(shù)據(jù)分配較小的權(quán)重。如果給定時(shí)間段t，則可以按式6計(jì)算網(wǎng)絡(luò)節(jié)點(diǎn)的信任值（tp? ? ?value）。

tp? ? ?value = λ■? ? ? ? （6）

由于醫(yī)療網(wǎng)絡(luò)環(huán)境比傳統(tǒng)網(wǎng)絡(luò)更敏感，因此需要開發(fā)一些額外自定義規(guī)則，以便醫(yī)療機(jī)構(gòu)網(wǎng)絡(luò)安全管理員識(shí)別一些敏感關(guān)鍵字。但是需要保證足夠低的誤報(bào)率，因?yàn)槿魏五e(cuò)誤的網(wǎng)絡(luò)訪問阻斷都可能導(dǎo)致意外事故。因此，本研究采用了動(dòng)態(tài)黑名單來阻止惡意流量和異常行為。在識(shí)別惡意流量和異常行為的源節(jié)點(diǎn)后，SDN控制器可以通過更新網(wǎng)絡(luò)設(shè)備配置文件來引導(dǎo)數(shù)據(jù)流繞過惡意節(jié)點(diǎn)。

生成網(wǎng)絡(luò)設(shè)備黑名單的詳細(xì)過程可以根據(jù)IDS規(guī)則和自定義規(guī)則進(jìn)行相應(yīng)調(diào)整。所開發(fā)的動(dòng)態(tài)黑名單匹配規(guī)則為：1）如果數(shù)據(jù)包與IDS規(guī)則匹配，則該節(jié)點(diǎn)將立即被列入黑名單;2）如果數(shù)據(jù)包僅與自定義規(guī)則匹配，則該節(jié)點(diǎn)不會(huì)立即列入黑名單，而是取決于其信任值和相關(guān)閾值。

由于醫(yī)療機(jī)構(gòu)通常對(duì)聯(lián)網(wǎng)終端設(shè)備的安全使用有著嚴(yán)格的政策，因此醫(yī)療SDN中的網(wǎng)絡(luò)設(shè)備（交換機(jī)、路由器等）通?；诮y(tǒng)一且合規(guī)的配置文件運(yùn)行。在這種情況下，采用白名單的安全策略則不難識(shí)別出異常設(shè)備。因此將貝葉斯推理應(yīng)用于網(wǎng)絡(luò)設(shè)備配置文件來評(píng)估網(wǎng)絡(luò)節(jié)點(diǎn)的可信度。對(duì)于給定的時(shí)段t，可以使用下式計(jì)算出網(wǎng)絡(luò)節(jié)點(diǎn)的信任值（td? ? ?value）：

td? ? ?value = λ■? ? ? ? （7）

式7中，kdt為正常的配置文件，N dt為配置文件的總數(shù)。為了便于對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的信任值開展評(píng)估，本研究設(shè)計(jì)了一個(gè)歸一化的評(píng)價(jià)指標(biāo)ttotal value：

ttotal value = W1 × tp? ? ?value+ W2 × td? ? ?value? ? ? ? ?（8）

式8中，W1和W2為權(quán)值，W1 + W2 = 1。因此，如果信任值低于閾值T∈[0，1]，則可以將網(wǎng)絡(luò)節(jié)點(diǎn)列入惡意黑名單。此外由于黑名單是動(dòng)態(tài)的，必須依據(jù)以下規(guī)則定期檢查tvalue：1）如果tvalue≥T，則刪除黑名單中的該網(wǎng)絡(luò)節(jié)點(diǎn);2）如果tvalue < T，則應(yīng)維持黑名單中的該網(wǎng)絡(luò)節(jié)點(diǎn)。

如果采用將只發(fā)送一個(gè)惡意數(shù)據(jù)包的網(wǎng)絡(luò)節(jié)點(diǎn)立即列入黑名單的安全策略，那么會(huì)導(dǎo)致醫(yī)療網(wǎng)絡(luò)出現(xiàn)很高的誤報(bào)率，并降低醫(yī)療系統(tǒng)的性能。為此需要采用動(dòng)態(tài)的安全策略，為恢復(fù)誤報(bào)的惡意設(shè)備提供了一定的靈活性。在實(shí)踐中，該機(jī)制需要基于較長(zhǎng)期的行為來評(píng)估設(shè)備的可信度，并為醫(yī)院IT管理員提供更大的靈活性來控制和管理醫(yī)院SDN。

3? ?實(shí)驗(yàn)評(píng)估

通過兩個(gè)實(shí)驗(yàn)來考察上述評(píng)估機(jī)制的性能：1）第一個(gè)實(shí)驗(yàn)是在模擬醫(yī)療SDN網(wǎng)絡(luò)中對(duì)基于信任的醫(yī)療設(shè)備評(píng)估方法進(jìn)行仿真;2）第二個(gè)實(shí)驗(yàn)是在醫(yī)療機(jī)構(gòu)真實(shí)SDN網(wǎng)絡(luò)環(huán)境中開展基于信任的醫(yī)療設(shè)備評(píng)估方法的測(cè)試。

首先是在仿真環(huán)境中開展仿真實(shí)驗(yàn)。實(shí)驗(yàn)使用OpenDayLigh （ODL）作為SDN控制器。（在使用Intel（R） Core （TM）2、Quad CPU 2.66GHz的服務(wù)器上），并使用Open vSwitch （OVS）作為SDN的交換機(jī)。實(shí)驗(yàn)使用開源Snort入侵檢測(cè)設(shè)備系統(tǒng)來檢測(cè)惡意流量。仿真環(huán)境由一個(gè)SDN控制器和六個(gè)SDN交換機(jī)組成。多達(dá)30個(gè)醫(yī)療設(shè)備隨機(jī)連接到這些交換機(jī)。仿真SDN環(huán)境如圖2所示。

為了模擬真實(shí)醫(yī)療機(jī)構(gòu)網(wǎng)絡(luò)環(huán)境，除了用于數(shù)據(jù)包檢查的Snort簽名外，實(shí)驗(yàn)還應(yīng)用了70條自定義規(guī)則，并配置了一個(gè)用于網(wǎng)站瀏覽和電子郵件使用的白名單。實(shí)驗(yàn)將本文提出的檢測(cè)方法與傳統(tǒng)的入侵檢測(cè)機(jī)制進(jìn)行了比較。傳統(tǒng)的檢測(cè)該機(jī)制主要通過發(fā)送挑戰(zhàn)來評(píng)估IDS節(jié)點(diǎn)的可信度。實(shí)驗(yàn)中使用的仿真參數(shù)如表2所示。

在正常流量環(huán)境下，啟動(dòng)網(wǎng)絡(luò)后所有設(shè)備的平均信任值如圖5所示?？梢钥闯?，平均信任值在啟動(dòng)后經(jīng)過一段時(shí)間后變得穩(wěn)定。這是因?yàn)榭刂破鞅仨殢木W(wǎng)絡(luò)中的每個(gè)交換機(jī)收集數(shù)據(jù)并構(gòu)建信任矩陣。由圖3可以看出，兩個(gè)醫(yī)療設(shè)備的收斂趨勢(shì)基本一致。根據(jù)圖3所給出信任值的變化趨勢(shì)，實(shí)驗(yàn)選擇閾值為0.9。

在實(shí)驗(yàn)環(huán)境下，隨機(jī)選取兩個(gè)高度可信的設(shè)備，進(jìn)行惡意行為的攻擊。具體的實(shí)驗(yàn)設(shè)置為：D1設(shè)備配置為發(fā)送可觸發(fā)IDS警報(bào)惡意數(shù)據(jù)包;D2設(shè)備被配置為既產(chǎn)生惡意流量又有異常行為，例如訪問惡意網(wǎng)站。

為了進(jìn)行比較，實(shí)驗(yàn)采用兩種醫(yī)療設(shè)備信任評(píng)價(jià)和管理方法作為對(duì)比。第一個(gè)方法是基于覆蓋的信任管理模型[13]。該模型通過信任引擎和自適應(yīng)方法對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)流量進(jìn)行來分析來發(fā)現(xiàn)惡意設(shè)備，以實(shí)現(xiàn)在分布式IDS網(wǎng)絡(luò)中進(jìn)行信任管理。第二個(gè)方法采用基于挑戰(zhàn)信任管理模型[14]。該模型用于識(shí)別協(xié)作IDS網(wǎng)絡(luò)中的惡意設(shè)備。試驗(yàn)首先調(diào)整上述模型以適應(yīng)SDN環(huán)境，并部署了集中式服務(wù)器來收集網(wǎng)絡(luò)數(shù)據(jù)并計(jì)算醫(yī)療設(shè)備的可信度。

三個(gè)模型對(duì)兩個(gè)存在惡意網(wǎng)絡(luò)行為醫(yī)療設(shè)備信任值的對(duì)比計(jì)算結(jié)果如圖4所示。由圖4可知，與覆蓋模型相比，挑戰(zhàn)模型可以更快地降低惡意設(shè)備的信任值。這是因?yàn)榛谔魬?zhàn)的模型使用了遺忘因子，使最新數(shù)據(jù)包的權(quán)重更高。對(duì)于這兩種惡意設(shè)備，本研究方法可以比其他兩種信任模型更快地降低它們的信任值。這是因?yàn)楸狙芯刻岢龅牟捎秘惾~斯算法的模型主要是對(duì)最近一段時(shí)間內(nèi)數(shù)據(jù)包信任值的評(píng)估，因此對(duì)動(dòng)態(tài)流量更加敏感。同樣采用本文模型，D2設(shè)備比D1的信任值下降得稍微快一些，這是因?yàn)镈2既生成惡意流量，又可以執(zhí)行異常網(wǎng)絡(luò)行為。這表明概要信息對(duì)識(shí)別惡意設(shè)備有積極的影響。但是，由于其他兩種模型沒有針對(duì)異常設(shè)備的配置文件進(jìn)行處理，因此對(duì)其信任值的影響不大?？偟膩碚f，圖4的數(shù)據(jù)表明本文模型具有良好的信任值評(píng)估性能。

其次是真實(shí)網(wǎng)絡(luò)環(huán)境中進(jìn)行實(shí)驗(yàn)。用于實(shí)驗(yàn)的醫(yī)療SDN網(wǎng)絡(luò)包括一個(gè)SDN控制器、八個(gè)SDN交換機(jī)和20個(gè)設(shè)備（包括個(gè)人電腦和移動(dòng)設(shè)備）。該醫(yī)療機(jī)構(gòu)有一個(gè)普通網(wǎng)站和電子郵件地址的白名單，并根據(jù)之前的流量數(shù)據(jù)定義了多達(dá)245條自定義規(guī)則，其中包括一些敏感關(guān)鍵詞和不需要的IP地址。

為了確定合適的閾值，實(shí)驗(yàn)首先運(yùn)行網(wǎng)絡(luò)一段時(shí)間，計(jì)算得出的平均信任值如圖5所示。與圖3中的仿真結(jié)果相比，由于實(shí)際流量的復(fù)雜性，真實(shí)環(huán)境中的信任值更具動(dòng)態(tài)性，得出的平均值在0.86到0.92之間。實(shí)驗(yàn)選擇0.85作為檢測(cè)閾值。

在真實(shí)網(wǎng)絡(luò)環(huán)境中隨機(jī)選擇了兩個(gè)終端設(shè)備來進(jìn)行惡意操作，包括生成惡意數(shù)據(jù)包和異常行為。圖6為該場(chǎng)景下惡意設(shè)備的平均信任值。與在仿真環(huán)境下的實(shí)驗(yàn)結(jié)果類似，本研究提出的貝葉斯信任值評(píng)估方法能夠比其他方法更快地降低惡意設(shè)備的信任價(jià)值，因此該方法能夠有效地識(shí)別真實(shí)醫(yī)療SDN網(wǎng)絡(luò)環(huán)境中的惡意終端設(shè)備。

4? ?結(jié)? ?論

隨著醫(yī)療機(jī)構(gòu)變得更加互聯(lián)和數(shù)字化，在不影響性能和可用性的前提下確保聯(lián)網(wǎng)設(shè)備和軟件系統(tǒng)的安全性也將變得越來越具有挑戰(zhàn)性。軟件定義網(wǎng)絡(luò)（SDN）允許將網(wǎng)絡(luò)控制從數(shù)據(jù)平面解耦，但是基于SDN的解決方案通常不是為了減輕內(nèi)部威脅而設(shè)計(jì)的，為此設(shè)計(jì)了基于貝葉斯來識(shí)別醫(yī)療SDN網(wǎng)絡(luò)中的內(nèi)部攻擊。在仿真環(huán)境和不同規(guī)模真實(shí)環(huán)境下的實(shí)驗(yàn)結(jié)果驗(yàn)證了本研究所提出的方法在不同條件下檢測(cè)惡意設(shè)備的有效性和可擴(kuò)展性。未來的工作可能包括研究如何進(jìn)一步提高檢測(cè)靈敏度，并在更大規(guī)模的環(huán)境中驗(yàn)證該方法的性能。

參考文獻(xiàn)

[1]? ? 池亞平，余宇舟，楊建喜. 基于深度學(xué)習(xí)的SDN惡意應(yīng)用的檢測(cè)方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（08）：2134-2139.

[2]? ? 顏通，白志華，高鎮(zhèn)，等. SDN環(huán)境下的LDoS攻擊檢測(cè)與防御技術(shù)[J/OL].計(jì)算機(jī)科學(xué)與探索：1-15[2019-09-09].http：//kns.cnki.net/kcms/detail/11.5602.TP.20190812.1107.002.html.

[3]? ? 徐雅斌，賈珊珊. 軟件定義網(wǎng)絡(luò)的安全態(tài)勢(shì)感知研究[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2019，40（08）：1682-1688.

[4]? ? 陳興蜀，滑強(qiáng)，王毅桐，等. 云環(huán)境下SDN網(wǎng)絡(luò)低速率DDoS攻擊的研究[J]. 通信學(xué)報(bào)，2019，40（06）：210-222.

[5]? ? 王洋，吳建英，黃金壘，等. 基于貝葉斯攻擊圖的網(wǎng)絡(luò)入侵意圖識(shí)別方法[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-10[2019-09-09].http：//kns.cnki.net/kcms/detail/11.2127.TP.20181213.1805.020.html.

[6]? ? 杜曄，張?zhí)锾穑杳眉t. 基于信息密度貝葉斯算法的云平臺(tái)入侵檢測(cè)[J]. 系統(tǒng)仿真學(xué)報(bào)，2018，30（02）：714-721.

[7]? ? 池亞平，姜停停，戴楚屏，等. 基于軟件定義網(wǎng)絡(luò)的云平臺(tái)入侵防御方案設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)應(yīng)用，2017，37（06）：1625-1629.

[8]? ? 劉飛飛，藺婧娜，劉瀟瀟. 基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)攻擊方法研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2017，53（11）：18-25.

[9]? ? 朱琨，張琪.機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用[J]. 數(shù)據(jù)采集與處理，2017，32（03）：479-488.

[10]? 王輝，陳泓予，楊?yuàn)檴? 基于樹加權(quán)樸素貝葉斯算法的入侵檢測(cè)技術(shù)研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2016，33（02）：294-298.

[11]? 黃亮，姜帆，荀浩，等. 面向軟件定義網(wǎng)絡(luò)的入侵容忍控制器架構(gòu)及實(shí)現(xiàn)[J]. 計(jì)算機(jī)應(yīng)用，2015，35（12）：3429-3436.

[12]? 楊云雪，魯驍，董軍. 基于企業(yè)環(huán)境的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估[J]. 計(jì)算機(jī)科學(xué)與探索，2016，10（10）：1387-1397.

[13]? 姚濰，王娟，張勝利. 基于決策樹與樸素貝葉斯分類的入侵檢測(cè)模型[J]. 計(jì)算機(jī)應(yīng)用，2015，35（10）：2883-2885.

[14]? 張家華，楊種學(xué)，王江平，等. 融合DDoS威脅過濾與路由優(yōu)化的SDN通信質(zhì)量保障策略[J]. 電信科學(xué)，2015，31（04）：127-133.