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（SDWN）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（RSSI）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。