基于切片的深度学习SDN恶意应用程序的检测方法

SDN是一种新型网络架构,其核心技术是通过将网络设备控制面与数据面分离。然而目前针对SDN网络架构的恶意应用程序研究还较少。针对这一问题,在总结分析现有恶意应用检测方法的基础上,采用代码切片技术并基于深度学习框架提出一种面向SDN恶意应用程序的检测方法。它旨在对样本进行模块化分割并提取特征后,将特征向量以矩阵形式重组。在TensorFlow深度学习环境Keras下对SDN恶意样本进行学习和检测,实验数据表明,该方法对恶意应用程序检测率可以达到93.75%,证明了方案的可行性和科学性。

SDWN下基于流量负载感知的AP间无缝切换算法研究

软件定义无线网络(SDWN)作为一种控制转发解耦合的架构,有利于快速获取全局拓扑,为无线接入点(AP)间无缝切换提供了便利。针对传统基于信号强度(RSSI)的AP选择算法可能会造成资源利用率低及负载不均衡问题,充分考虑流量负载对AP性能的影响,对传统Odin架构进行扩展,提出了一种软件定义无线网络下基于流量负载感知的AP间无缝切换算法。该算法考虑客户端收到的信号强度及AP的流量负载,可有效解决AP间负载不均衡问题。最后,在开源实验平台(Odin)应用此算法。实验表明,相比传统基于RSSI的切换算法,此算法有效提升了终端网络吞吐量。

基于深度学习的SDN恶意应用的检测方法

SDN(软件定义网络)核心技术是通过将网络设备控制层与数据转发层分离,实现网络流量的灵活控制。目前针对SDN网络架构的恶意应用研究还较少。针对这一问题,在总结分析现有恶意应用检测方法的基础上,基于深度学习技术提出一种面向SDN恶意应用的检测方法,将恶意应用转化为图片,在TensorFlow深度学习框架下对32个SDN恶意样本进行学习和检测,实验数据表明,该方法对恶意应用检测率可以达到89%,验证了方案的可行性。

基于区块链技术的智能网联汽车数据跨境安全研究

数据作为一种新型生产要素,蕴藏着巨大的经济价值和社会价值,已受到国际贸易合作体系各参与方的高度重视。在全球经济合作的大背景下,数据跨境流动已成为释放数据价值的关键环节,各大经济体尤为关注数据跨境流动相关的规则设计和方案制定等工作,以实现数据安全可控的有序流动。一直以来,受到国家安全、数据主权、隐私保护、国际规则等多重因素的影响,我国在数据跨境流动规则和监管技术方面仍缺乏体系化的设计,存在较大的完善空间。目前,区块链作为一项新兴融合技术,具备分布式强一致性、不可篡改、防伪溯源的技术特点,能够应对智能网联汽车领域的数据跨境需求问题,可为破除数据跨境流动的政策性壁垒、规则性障碍、技术性限制提供可能的解决方案。