基于强化学习的软件定义网络动态防御策略生成方法

摘要

针对软件定义网络静态防御适应性不足、难以随网络状态与攻击变化调整的问题，本研究提出一种基于强化学习的动态防御策略生成方法。具体通过构建“状态建模-动作定义-奖励函数-策略决策-下发反馈”五模块闭环架构，以深度Q网络与策略梯度算法为核心，选取端口利用率、变化率等5项归一化状态指标，离散化丢弃、限速等5类动作，设计融合拦截率、服务质量影响度、执行成本的奖励函数；模型经经验回放与目标网络优化训练后，嵌入Ryu控制器实现部署。实验结果表明：本文所提方法响应时间<50 ms,攻击拦截率>92%,CPU负载提升7.9%,误判率低至2.7%。

关键词

软件定义网络 / 强化学习 / 动态防御 / 策略生成