software-defined networking
PulseAugur coverage of software-defined networking — every cluster mentioning software-defined networking across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
深度学习模型增强零信任网络中的异常检测
研究人员开发了两种深度学习模型：视觉Transformer（ViT）和一维卷积神经网络（1D-CNN），以增强零信任软件定义网络中的异常检测。这些模型分析微细分网络流量数据，与使用原始、未细分数据的模型相比，显示出更高的准确率和F1分数。ViT模型在识别细微的横向移动模式方面略有优势，这凸显了微细分对于零信任环境中入侵检测有效性的重要性。
-
新架构赋能流式AI和物联网的去中心化编排
一篇新论文提出了一种面向流式计算环境的去中心化编排架构，旨在改善跨异构设备（如终端设备、边缘基础设施和云平台）的资源管理。该架构使自主域能够协调并满足部署请求，同时保持本地控制。作为实际演示，该系统应用于一个多域去中心化联邦学习用例，并整合了一个名为FU-HST的SDN赋能的异常检测机制，以增强对拜占庭威胁的安全性。
-
Netris 从 a16z 获得 1500 万美元融资，用于 AI 网络自动化 · 跟踪 3 个来源
专注于 AI 基础设施网络自动化的初创公司 Netris 已获得 Andreessen Horowitz 1500 万美元的 A 轮融资。该公司的软件旨在简化 AI 数据中心的设置、配置和运营，解决阻碍 AI 基础设施快速部署的关键网络瓶颈。Netris 的平台，他们称之为 NAAM（网络自动化、抽象和多租户），旨在加速 AI 新云的上市时间，并确保强大的多租户能力，鉴于对 AI 基础设施的大量投资，这是一个关键因素。
-
提出面向6G网络物理系统的AI原生闭环安全
一篇新的调查论文提出了一种面向支持6G的网络物理系统（CPS）的AI原生闭环安全框架。该提议的系统旨在以毫秒级精度在网络边缘检测和缓解威胁，解决了传统安全模型的局限性。它集成了多种AI技术，包括联邦学习和数字孪生，以创建一个强大且自适应的安全管道。
-
LLM和RAG增强SDN中的DDoS攻击检测
研究人员开发了一个新的框架，使用检索增强生成（RAG）和大型语言模型（LLM）来检测和缓解软件定义网络（SDN）中的地毯式轰炸DDoS攻击。该方法利用流量特征、语义嵌入和LLM推理进行实时分类，无需传统的监督训练。实验显示出高准确性和稳定性，其中Gemma-4-31B-IT模型配置产生了最佳的检测结果，证明了该集成对于自适应SDN安全性的有效性。
-
图学习方法增强了LEO巨型星座SDN的可扩展性
研究人员开发了一种新的软件定义网络（SDN）框架，用于管理低地球轨道（LEO）卫星巨型星座的巨大规模。该方法利用图神经网络（GNN）来模拟复杂的拓扑结构，并利用Koopman理论来线性化系统动力学。图Koopman自编码器（GKAE）预测轨道层内的行为，从而实现中央SDN控制器进行协调控制。在Starlink星座上的模拟显示，在模型占用空间较小的情况下，空间压缩和时间预测得到了显著改进。