SDN_KZ_FINAL_Amir

1.

Satbayev University · SDN + OpenFlow + ML/IDS
Дипломная работа

2.

Learn
ing
SDN + Machine
негізі Learning негізінде шабуылдарды анықтау жүйесі
нде
SDN + Machine
Автор: Амир
Е.
шабу
Learning негізінде
SDN + Learning
Machine негізінде
ылда
SDN
+ Machine Learning негізінде шабуылдарды
SDN
+ Machine
шабуылдарды
рды
анықтау
жүйесі
шабуылдарды
анықтау жүйесі
анықтауLearning
жүйесі
SD
негізінде
анық
N+
SDN + Machine
SDN +
SDN +
шабуылдарды
тау
Автор:
Амир
Е.
Автор:
Амир
Е.
Автор:
Амир
Е.
Ma
LearningMachine
Machine
анықтау
жүйесі
жүйе
SDN
chi + Machine Learning негізінде
S
негізінде
Learning
Learning
DN
сіne
шабуылдарды
анықтау жүйесі
шабуылдарды
негізінде
негізінде
+Е.
Автор:
Амир
А
M +
Lea
SDN
+
SDN
в
анықтау
ac
шабуылдар
шабуылдар
т
SDN
+
SDN
+
о
Авто
hi
р: Machine
Автор:
Амир Е.
rni
Machine
жүйесі
ды
анықтау
ды
анықтау
SDN
+
Ам SDN n+e
Machine
Machine
р:ng
Learning
Learning
Le
иMachine
жүйесі
жүйесі
Machine
Learning
Learning
р
ar
Амир
SDN
негі+ Machine Learning
негізінде Автор: Амир
негізінде
Е.
ni
Е.
Learnin
Learnin
ng
негізінде
негізінде
Е.
негізінде
шабуылдарды
зін
шабуылда
шабуылда
Автор:
Амир
Автор:
не
g
g Амир
шабуылда
шабуылда
анықтау
жүйесі
SDN
+
SDN
+
гі з
де + Machine Learning негізінде
SDN
рды
рды
Е.негізінд
Е.рды
негізінд
ін
рды
Machine
Machine
ша
шабуылдарды
анықтау жүйесі
анықтау
анықтау
де
SDN
+
Machine
Learning
е
е
анықтау
анықтау
Автор:
Learning
Learning
буы Амир Е.
жүйесі
жүйесі
негізінде
шабуылдарды
шабуыл
шабуыл
жүйесі
жүйесі
SDN +
SDN +
негізінд
негізінд
лда Амир Е.
Автор:
анықтау
Machi жүйесі
Machi
е дарды
едарды
рд
Автор:
Автор:
анықта
анықта
Автор:
Автор:
neЕ.
ne Е.
шабуыл
шабуыл
ы
Амир
Амир
Автор:
Амир
Е.
уАмир
жүйесі
уLearni
жүйесі
Е.
Амир
Е.
Learni
дарды
дарды
ан
ng
ng
анықтау
анықтау
ықт
S
Автор:
Автор:
Satbayev University · SDN + OpenFlow + ML/IDS
Дипломная работа
негізі
негізі
жүйесі
жүйесі
ау
D
Амир Е.
Амир Е.
N
i
arn
Le
ine
ch
Ma
.
N+
рЕ
SD
ми
:А
тор
Ав
гі
не
ng
ш
де
зін
л
уы
аб
қта
ны
ыа
рд
да
уж
есі
үй

3.

1. Диплом құрылымы
Логика работы: от теории к модели, затем к программной реализации
и защите
01
Введение
Актуальность
Цель и
задачи
Объект /
предмет
Методы
исследования
Satbayev University · SDN + OpenFlow + ML/IDS
02
03
04
Глава 1
Теория
Архитектура
SDN
OpenFlow и
контроллеры
Угрозы
безопасности
Сравнение
IDS-подходов
Глава 2
Практика
Выбор
датасета
Предобработ
ка
MLалгоритмы
Метрики и
результаты
Глава 3
Программа
Структура
проекта
GUI / Streamlit
Mininet + Ryu
Демонстраци
я сценарийі
Дипломная работа
2

4.

2. Теориялық бөлім: SDN и OpenFlow
Ключевая идея SDN — разделение уровня управления и уровня
передачи данных
Архитектура SDN
Контроллер принимает
Control Plane решения и управляет
правилами
OpenFlow: протокол
связив сети
controller
switch
↔
Data Plane
Host
Коммутаторы и хосты
передают пакеты по
установленным flow-правилам
Switch
Satbayev University · SDN + OpenFlow + ML/IDS
Host
Почему SDN удобен для
защиты
Централизованное
1 управление
одна точка принятия
решений
можно быстро
2 Гибкие правила
обновлять политику
доступа
контроллер видит
3 Видимость трафика
состояние сети
целиком
решение модели
4 Интеграция с ML
можно сразу
применять к потокам
Control
Data
OpenFl
Plane
Plane
ow
Дипломная работа
3

5.

3. Шабуылдарды анықтау әдістері и сравнение подходов
Для диплома важно показать, почему выбран именно ML-подход и в
чем его преимущество для SDN
1
Сигнатурный IDS
Ищет известные
шаблоны
атак
Высокая точность
на известных
кейсах
Слабо видит новые
угрозы
2
Аномальный IDS
Ищет отклонение
от нормы
Может замечать
новые атаки
Чаще дает ложные
срабатывания
3
ML / AI-подход
Учит
закономерности по
Лучше
данным
масштабируется на
Требует
большиедатасет
логи и
настройку
признаков
Подход
Сигнатурны
й
Аномальны
й
ML/AI
Преимущества
Недостатки
Применимость в SDN
Точен на известных
Не видит новые
Полезен как базовый
атаках
шаблоны
слой
защиты
Ловит отклонения от
Шумит на
Подходит
для
Хорошо
Наиболее
перспективен
нормы работает с
нестабильном
мониторинга
поведения
Нужны данныетрафике
и
большим числом
для централизованной
валидация
признаков
IDS в SDN
Выво Для диплома логично выбрать ML как основной механизм, а сигнатурный и
аномальный подходы использовать как теоретическое сравнение.
д
Satbayev University · SDN + OpenFlow + ML/IDS
Дипломная работа
4

6.

4. Практикалық бөлім: датасет, предобработка, эксперимент
Эта логика показывает, как сырые данные превращаются в решение
NORMAL / ATTACK
1
Датасет
NSL-KDD или
InSDN
2
Очистка
удаление
шумных и
пустых
значений
3
Преобразова
кодирование
ние
и
масштабиро
вание
Выбор датасета
Критерий
Простота
Реализм
запуска
Подходит
SDN
Для
для старта
диплома
NSL-KDD
Высокая
Низкий
Да как
Удобен
базовый
Satbayev University · SDN + OpenFlow + ML/IDS
InSDN
Средняя
Высокий
Да, если
Сильнее
для
есть время
продвинуто
4
Модель
Random
Forest /
XGBoost /
custom ML
5
Результат
класс +
метрики
качества
Предобработка
удаление пропусков и явных
ошибок
кодирование категориальных
признаков
нормализация признаков к общему
масштабу
разделение на train / test
й версии
Дипломная работа
5

7.

5. Собственные объяснимые модели ML
Вместо “черного ящика” можно показать две простые
интерпретируемые модели и объяснить их логику
MODE
WeightedPrototypeClassifier
LA
Для NORMAL и ATTACK строится
“средний прототип”
Для каждого признака считается вес
важности
Новый объект сравнивается с обоими
прототипами
Класс выбирается по меньшему
взвешенному но
расстоянию
вы
й
об
ъек
Точка сравнивается
с двумя
т
прототипами классов
Satbayev University · SDN + OpenFlow + ML/IDS
MODE
NormalProfileAnomalyDetector
LB
Модель учится только на
нормальном трафике
Строит профиль нормы: среднее +
разброс
Для нового объекта считает risk
score
Если score выше порога — это
аномалия
packet_rate
syn_ratio
failed_logins
dst_host_rat
e
Порог отделяет норму от
аномального поведения
Дипломная работа
6

8.

6. Нәтижелер и метрики модели
Ниже — пример понятного вывода: цифры, матрица ошибок и
интерпретация результата
Сравнение
accuracy
WeightedPrototype
Classifier
NormalProfileAno
malyDetector
1.000
0
0.983
3
Эти значения
показывают качество
Важн на тестовой выборке.
Их надо объяснять
о
вместе с confusion
matrix.
Satbayev University · SDN + OpenFlow + ML/IDS
Confusion
matrix
Pred Pred
WP
N
A
C
Tru
90
0
eN
Tru
0
90
eA
NPA
D
Tru
eN
Tru
eA
Pred Pred
N
A
87
3
0
90
Как читать
Accuracy — доля
цифры
верных ответов
Precision
модели — насколько
“атака” действительно
Recall
атака — сколько
реальных атак модель
поймала
F1-score — баланс
точности иmatrix
полноты
Confusion
показывает, где
модель ошиблась
Говори не только
Совет для
“accuracy
высокая”, а
защиты
еще
“ошибок
пропуска атак мало,
это видно по
матрице”.
Дипломная работа
7

9.

7. Бағдарламалық өнім и структура проекта
Проект лучше показывать как набор модулей: данные, модель,
интерфейс и интеграция с SDN
Файловая
1 project/
структура
2 ├── data/
3 │ └── dataset.csv
4 ├── models/
5 │ └── model.pkl
6 ├── src/
7 │ ├── preprocess.py
8 │ ├── train_model.py
9 │ ├── predict.py
10 │ └── custom_models.py
11 ├── app/
12 │ └── gui_app.py
13 ├── sdn/
14 │ └── ryu_controller.py
15 └── main.py
Satbayev University · SDN + OpenFlow + ML/IDS
Логика
готови
модулей
preproces
т
s.py
призна
обучае
train_mod
тки
и
el.py
сохран
загруж
яет
predict.py
ает
модель
показы
gui_app.p
вает
y
работу
реагир
ryu_contr
ует в
oller.py
SDN
Как выглядит
демонстрация
AI Shield
Demo
Attack
Train AI
STATUS: ATTACK
DETECTED
Network
health
интерфейс
показывает
атаку
после
обучения
повтор —
блокируется
это удобно для
защиты комиссии
Дипломная работа
8

10.

8. Демонстрация сценарийі на защите
Ниже — порядок действий и короткие фразы, которые удобно
произносить во время показа
1. Запуск
1 системы
“Сейчас система находится в исходном состоянии и ожидает
трафик.”
2. Первая
2 атака
“Так как модель еще не обучена, атака проходит.”
3 3. Обучение
“Система сохраняет характеристики инцидента в модель.”
4. Повтор
4 атаки
“Теперь аналогичная атака распознается и блокируется.”
5. Похожая
5 атака
“Система умеет обобщать и ловить похожее поведение.”
Главная
мысль
Показывай не код, а поведение системы: до обучения, после
обучения и на похожем трафике.
Satbayev University · SDN + OpenFlow + ML/IDS
Дипломная работа
9