研究人员提出了一套基于人工智能的新系统，用于提升软件定义网络（SDN）中的网络攻击检测能力。这类网络架构已广泛部署在数据中心和各类企业网络中。

该系统将深度量子神经网络与一种受野鹅和侏儒猫鼬行为启发的全新优化算法结合使用，旨在识别异常网络流量（包括分布式拒绝服务 dDoS 攻击），并在此过程中避免网络控制器因负载过重而失效。

软件定义网络与传统网络的主要区别在于，它将负责路由决策的控制平面与负责转发数据的转发平面分离。这样的设计带来了更高的灵活性和集中化管理能力，但也让集中控制器成为攻击者重点瞄准的对象，攻击往往试图干扰控制器与底层网络设备之间的通信。

在发表于《国际重型车辆系统杂志》的研究中，团队提出的方法是：首先利用深度量子神经网络对网络流量进行分析，这类模型擅长从复杂数据中提取模式，用于识别潜在的恶意或异常流量。一旦发现可疑行为，系统会进一步评估当前各个控制器的负载情况，并自动将相关网络交换机从负载过高的控制器迁移到仍有空闲资源的控制器上。

在模拟环境测试中，该系统实现了 93.7% 的整体检测准确率，真实阳性率为 91.6%，真实阴性率为 87.5%。研究人员指出，将流量异常检测与自动负载均衡机制紧密结合，有望增强高度集中化网络基础设施在面对攻击时的韧性和可靠性。