摘要
摘 要：随着软件定义广域网（SDWAN）的迅猛发展，网络安全问题日益凸显。为了提高SDWAN网络的安全性，本文提出了一种基于卷积神经网络（CNN）和容器化分层架构的入侵检测系统。该系统采用深度学习技术，通过对SDWAN流量进行实时监测和分析，能够有效地识别网络中的潜在入侵行为。在系统架构方面，我们引入了容器化技术，将系统划分为多个独立的容器，实现了分层管理和灵活部署。每个容器负责特定的任务，如流量捕获、特征提取和模型训练等，通过容器之间的协同工作，实现了系统的高效运行和维护。在算法方面，我们采用了CNN作为入侵检测的核心模型。通过深度卷积神经网络对SDWAN流量的时空特征进行学习，系统能够自动学习并识别正常流量和潜在的入侵行为。与传统的规则或特征基础的入侵检测方法相比，基于CNN的方法具有更好的泛化能力和适应性。
出版日期
2024年05月09日（中国期刊网平台首次上网日期，不代表论文的发表时间）
