Details

Целью работы является разработка архитектуры и программного прототипа интеллектуальной системы обнаружения и предотвращения атак в программно-конфигурируемых сетях SDN/SD-WAN. Для достижения цели решены следующие задачи: проведён анализ угроз и ограничений существующих IDS; разработана гибридная модель обнаружения на основе сигнатур и Isolation Forest; предложен интегральный показатель риска USRI; реализован механизм адаптации к дрейфу концепта; выполнен эксперимент в эмуляторе Mininet с контроллером ONOS. Работа проведена с применением современных программных средств анализа сетевого трафика и машинного обучения, включая Mininet, ONOS и Python. Были проведены экспериментальные исследования эффективности обнаружения атак двух типов: атаки на пользовательский трафик и атаки на контроллер SDN. Использовались методы статистического анализа, машинного обучения без учителя, обнаружения дрейфа концепта, имитационного моделирования сетевого трафика в Mininet, а также методы интегральной оценки риска и гибридного принятия решений. В результате было показано, что доля ложных срабатываний существенно снижена, а время автоматической реакции является минимальным и соответствует требованиям работы в реальном времени. Разработанная система может быть использована для защиты корпоративных SDN/SD-WAN сетей (в том числе в нефтегазовой отрасли), в облачных центрах обработки данных.

The aim of the work is to develop an architecture and software prototype of an intelligent system for detecting and preventing attacks in software-defined networks SDN/SD-WAN. To achieve this aim, the following tasks were solved: an analysis of threats and limitations of existing IDS was carried out; a hybrid detection model based on signatures and Isolation Forest was developed; an integral risk indicator USRI was proposed; a concept drift adaptation mechanism was implemented; an experiment was performed in the Mininet emulator with the ONOS controller. The work was carried out using modern software tools for network traffic analysis and machine learning, including Mininet, ONOS and Python. Experimental studies were conducted on the effectiveness of detecting two types of attacks: attacks on user traffic and attacks on the SDN controller. The following methods were used: statistical analysis, unsupervised machine learning, concept drift detection, simulation of network traffic in Mininet, as well as integral risk assessment and hybrid decision‑making. As a result, it was shown that the false positive rate is significantly reduced, and the automatic reaction time is minimal and meets the requirements for real‑time operation. The developed system can be used to protect corporate SDN/SD-WAN networks (including in the oil and gas industry) and in cloud data centers.