面向软件定义网络的可变粒度数字孪生构建技术

软件定义网络（software defined network,SDN）应用范围的扩大带来了应用需求多样化的挑战。利用数字孪生（digital twin,DT）增强SDN的实时分析、推演和控制能力,能更好地满足各种应用场景需求。然而,当前SDN的数字孪生构建面临着时延需求高、计算开销大、资源协调难的问题。因此,以应用需求为导向,在网络可用计算资源约束下,提出了一种新型的可变粒度数字孪生（variable granularity digital twin,VGDT）思想及其构建技术。VGDT结合网络可用计算资源分布特征,建立了保证数字孪生时延和完整度的多节点资源协同优化模型。在此基础上,利用混合编码遗传算法对该模型进行求解,获得最佳映射数据粒度和数字孪生部署方案,指导数字孪生的构建过程。仿真结果表明,与现有模式相比,在网络计算资源约束下,VGDT具有更高的数字孪生模型完整度和有效性。     

基于区块链的软件定义网络数据帧安全验证机制

为构建安全高效的网络环境,必须对伪造、受篡改数据帧进行有效的识别与过滤。然而,在软件定义网络（SDN）中,现有的安全验证机制通常在验证设备受到攻击或恶意控制时无法有效运行。为解决上述问题,提出了基于区块链的SDN数据帧安全验证机制。首先,设计帧转发证明（PoFF）共识算法并以此为基础建立轻量型区块链系统;然后,基于该系统构建针对SDN数据帧的安全验证体系;最后,提出可灵活调节的半随机选择验证模式以兼顾验证效率与资源开销。仿真结果表明,在同等比例的交换机被恶意控制情况下,所提机制的漏检概率较基于哈希链的验证机制有明显降低。其中,当受控交换机占比为40%时,降低效果尤其显著：此时所提机制在基本验证模式下的漏检概率低于32%,在辅助以半随机验证后可进一步降到7%,均远低于基于哈希链的验证机制72%的漏检概率;且所提机制引入的资源开销与通信代价在合理范围内。此外,即使在SDN控制器完全失效情况下,所提机制仍可保持良好的验证性能与效率。     

IT运维服务质量改进与IT服务管理体系建设分析

现今随着我国现代化网络技术的不断发展,IT运维服务系统也逐渐被广大用户重视起来,并且其服务质量问题也受到网络相关客户的高度关注.在进行IT运维服务质量改进工作时,应该通过对客户需求、服务现状等方面进行研究与分析,并及时的对服务质量问题形成因素进行全面的分析,进而根据其问题找出最佳的解决策略,对其问题进行良好的解决.在进行IT运维质量改进中,要以项目化运作的形式来实施管理策略,之后在通过项目计划的形式或者运用开展会议的形式,对其质量改进工作目标以及实施形式和管理过程进行明确,这样才能保障IT运维质量改进工作的顺利进行.在IT运维质量改革工作当中,IT服务管理体系的建设是开展服务质量改进工作的关键部分,在开展服务管理工作时,可以通过借鉴PPMT实施框架来设计管理体系中的相关内容,进而有效提升IT运维服务质量,更好的促进IT运维服务环节更好发展.     

论保护信息网络安全的技术性和管理性法规

随着我国信息网络技术不断发展和在社会各个领域中的普及,各界人士也加大了对信息网络安全的重视,我国也加大了对信息网路安全法律的研究和构建,在当前已经初步构成体系。由于网络安全法包含了技术因素和管理因素,因此仅仅从传统的法律角度是无法实现对信息网络安全的有效保护,还需要引入更多的技术性和管理制度在其中发挥作用,对现有的信息网络安全法加以完善和优化。基于此,对保护信息网络安全的技术性和管理性法规展开分析和探讨。     

基于iForest和LOF的流量异常检测

异常检测在现代大规模分布式系统的安全管理中起着重要作用,而网络流量异常检测则是组成异常检测系统的重要工具。网络流量异常检测的目的是找到和大多数流量数据不同的流量,并将这些离群点视为异常。由于现有的基于树分离的孤立森林（iForest）检测方法存在不能检测出局部异常的缺陷,为了克服这个缺陷,提出一种基于iForest和局部离群因子（LOF）近邻集成的无监督的流量异常检测方法。首先,改进原始的iForest与LOF算法,在提升检测精度的同时控制算法时间;然后分别使用两种改进算法进行检测,并将结果进行融合以得到最终的检测结果;最后在自制数据集上对所提方法进行有效性验证。实验结果表明,所提方法能够有效地隔离出异常,获得良好的流量异常检测效果。     

基于联邦学习的SDN异常流量协同检测技术

网络流量异常状态检测是发现潜在安全威胁的重要手段，但是现有异常流量检测方法普遍存在环境适应性不强、协同能力较弱等问题。结合SDN网络的拓扑结构与流量特征，提出基于联邦学习的异常流量协同检测技术。利用SDN网络中的检测节点，构建基于联邦学习的多检测节点协同检测架构。通过信息熵计算提取流量特征，从相对熵的角度分析检测节点的流量关联度，并根据该关联度设计模型训练过程中的参数聚合权重优化算法，提高检测模型的适应能力。应用参数聚合权重优化算法进行多检测节点异常流量检测模型的协同训练，提升检测模型对异常流量的识别准确率。仿真结果表明，与本地独立训练和传统联邦学习算法相比，基于参数聚合权重优化算法的识别准确率分别提升了31.69%和7.92%，具有更好的异常流量检测效果及更强的环境适应能力。