长江信息通信杂志

摘要：针对软件定义网络流量异常检测实践中存在的时间成本高的问题,提出改进神经网络的软件定义网络流量异常检测方法。采用随机森林算法进行特征重要性评估与筛选,通过基尼系数下降量确定关键特征,提升模型判别能力;进而引入收缩自编码器(CAE)对特征进行压缩与表示学习,通过雅可比矩阵正则化约束增强特征鲁棒性;构建改进的神经网络模型,对压缩软件定义网络流量进行深度挖掘,识别检测异常流量。实验表明,所提方法在F1分数不低于95%的同时,显著降低检测时延至200ms以内,具有高效性与可靠性。

关键词： 神经网络;软件定义网络;流量异常;检测;收缩自编码器;随机森林算法;

DOI： 10.20153/j.issn.2096-9759.2026.05.012

专辑： 信息科技

专题： 互联网技术;自动化技术

分类号： TP393.08;TP183