論文の概要: Cross-Domain Joint DDoS Detection in Multi-Controller SDN via Confidence-Based Entropy Fusion

• arxiv url: http://arxiv.org/abs/2608.17507v1
• Date: Tue, 18 Aug 2026 08:33:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.267376
• Title: Cross-Domain Joint DDoS Detection in Multi-Controller SDN via Confidence-Based Entropy Fusion
• Title（参考訳）: 信頼に基づくエントロピー融合によるマルチコントローラSDNにおけるクロスドメイン共同DDoS検出
• Abstract要約: マルチコントローラのSoftware-Defined Networking(SDN)では、Distributed Denial-of-Service(DDoS)攻撃は"分散ソース、集中ターゲット"パターンを示す。 生のトラフィックデータを共有せずにアグリゲーション・コントローラ決定を校正するクロスドメイン信頼融合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.130338995012252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-controller Software-Defined Networking (SDN), Distributed Denial-of-Service (DDoS) attacks exhibit a "dispersed source, concentrated target" pattern across domains, i.e., attack traffic originates from multiple edge-controller domains but converges on a victim in a single aggregation controller domain. While entropy-based DDoS detectors are effective in single-controller settings, their direct application in multi-controller SDN reveals a previously overlooked anomaly. Through systematic experiments, we identify an aggregation bias: during the post-attack transition phase, the aggregation controller continues to generate excessive false positives, while edge controllers have already returned to normal. We attribute this phenomenon to the coupled effects of OpenFlow statistics lag and unconstrained dynamic-threshold drift. To address this issue, we propose a cross-domain confidence-fusion framework that leverages lightweight edge-side messages to calibrate aggregation-controller decisions without sharing raw traffic data. The framework is non-intrusive, communication-efficient, and incrementally deployable. Experiments on a three-controller linear Mininet testbed with 24 hosts over 10 runs show that the method preserves edge-controller performance while reducing the aggregation false positive rate from 8.87% to 1.96% and increasing the F1 score from 89.04% to 96.89%.
• Abstract（参考訳）: マルチコントローラのSoftware-Defined Networking (SDN) では、Distributed Denial-of-Service (DDoS) 攻撃はドメイン間で「分散ソース、集中ターゲット」パターンを示す。 エントロピーベースのDDoS検出器はシングルコントローラ設定で有効であるが、マルチコントローラSDNでの直接適用により、これまで見過ごされていた異常が明らかになった。 系統的な実験により、アグリゲーションバイアスを同定する: 攻撃後の遷移段階において、アグリゲーションコントローラは過剰な偽陽性を発生し続け、一方、エッジコントローラはすでに正常に戻っている。 この現象は,OpenFlow統計ラグと非拘束動的閾値ドリフトの併用効果によるものである。 この問題に対処するために、軽量なエッジ側メッセージを利用して、生のトラフィックデータを共有せずにアグリゲーション・コントローラの判断を調整するクロスドメイン信頼融合フレームワークを提案する。 フレームワークは非侵襲的で、通信効率が良く、段階的にデプロイできる。 24のホストが10回以上テストされた3つのコントローラリニアミニネットの実験では、この手法はエッジコントローラの性能を8.87%から1.96%に下げ、F1スコアを89.04%から96.89%に引き上げた。

関連論文リスト

• A Feature-Rich Embedded NIDS with eBPF/XDP: Detector and Architecture Trade-offs [0.0]
  本稿では,トランスポートネットワークにおけるDDoS検出のためのネットワーク侵入検知システム(NIDS)について,Ericssonと共同で開発した。 統計ベースライン上に構築することで,より広いフロー特性に基づいて訓練された孤立林による検出効率を向上させることができる。 また、CICDDoS 2019データセットを再生するRaspberry Pi 5のテストベッド上で、モノリシック、Kafkaベース、gRPCベースの3つのデプロイメントを比較します。
  論文  参考訳（メタデータ） (2026-09-11T09:00:33Z)
• Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning [78.29352305480285]
  最近の侵入では、最初のアクセスと最初の横移動の間の間隔は27秒と短いことが観察されている。 本稿では,ソフトウェア定義ネットワークにおける攻撃をオペレーターの関与なしに検出・ブロックするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T18:38:39Z)
• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• When Time Meets Space: Entropy Integration and Dynamic Threshold for Adaptive DDoS Detection in SDN [24.48377951509124]
  本稿では、DDoS攻撃のための軽量時間エントロピー検出器を提案する。 ウィンドウ毎に3.95ミリ秒のコア処理と11.65%のシステム全体のCPUデプロイを必要とする。
  論文  参考訳（メタデータ） (2026-08-16T09:17:05Z)
• In-network Attack Detection with Federated Deep Learning in IoT Networks: Real Implementation and Analysis [8.042250872791344]
  IoT(Internet of Things)とそのバックボーンネットワークとの統合は、セキュリティ侵害のリスクを高めている。 大量のデータを中央サーバに転送する必要がある従来の集中的な異常検出アプローチは、プライバシ、スケーラビリティ、レイテンシの制限に悩まされている。 本稿では,リソース制約のあるエッジデバイスへの展開を目的とした,軽量なオートエンコーダに基づく異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T05:46:28Z)
• Proactive DDoS Detection and Mitigation in Decentralized Software-Defined Networking via Port-Level Monitoring and Zero-Training Large Language Models [3.6260109722491465]
  Software-Defined Networking (cSDN)は、柔軟でプログラム可能なネットワーク制御を提供するが、スケーラビリティと信頼性の問題に悩まされている。 分散化されたSDN(dSDN) 複数のローカルコントローラ間で制御を分散することで、これらの懸念を緩和する。 このアーキテクチャは、Denial-of-Service(DDoS)攻撃に対して非常に脆弱である。 本稿では,dSDN環境に適した新しい検出・緩和フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-01T08:57:29Z)
• Distributed Training under Packet Loss [8.613477072763404]
  信頼性の低いコネクションを利用するとレイテンシが低下するが、パケットを落としてモデルの精度と収束を犠牲にする可能性がある。 そこで本研究では,パケット損失の正確性と収束性を保証する原理的なエンドツーエンドソリューションを提案する。 この研究は、コミュニケーション効率の高いプロトコルと、現代の大規模モデルの訓練で要求される精度と保証のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2025-07-02T11:07:20Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• ACDC: Online Unsupervised Cross-Domain Adaptation [15.72925931271688]
  本稿では,非教師付きドメイン適応フレームワークであるACDCを提案する。 ACDCは3つのモジュールを単一のモデルにカプセル化している。特徴を抽出する自動エンコーダ、ドメイン変換を実行する対向モジュール、ソースストリームを学習してターゲットストリームを予測する推定器である。 実験の結果, 基準法よりも目標精度が向上し, 場合によっては10%以上の増加が見られた。
  論文  参考訳（メタデータ） (2021-10-04T11:08:32Z)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL [63.52264764099532]
  本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。 この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
  論文  参考訳（メタデータ） (2020-10-30T22:06:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。