该论文针对传统人工响应已无法跟上攻击者速度的问题，提出了一种基于机器学习的自主网络防御系统，可在软件定义网络（SDN）中实时检测攻击并自动应用缓解措施。研究背景指出，2025年平均网络犯罪突破时间（从初始访问到首次横向移动的间隔）已缩短至29分钟，较上年加快65%，最快突破仅需27秒，且在一次入侵中数据外泄在初始访问后4分钟内即开始。为此，作者设计了两个核心模块：一是网络数据集创建模块（NDC），负责采集IP流、预处理并聚合流量数据以构建训练数据集；二是入侵防御系统模块（IPS），自动完成多种机器学习算法的建模、训练与评估，并在检测到攻击时触发SDN控制器执行阻断操作。论文通过一个SYN洪泛拒绝服务攻击的案例研究验证了系统有效性，结果显示攻击可在无需人工干预的情况下于21秒内被检测并阻断，响应时间与当前突破时间窗口兼容。核心贡献在于将机器学习与SDN的可编程控制相结合，实现检测与响应的全自动化，从而缩短响应时间、减少对安全分析师的依赖。该系统主要面向网络运维与安全管理场景，适合对入侵检测、自主防御及SDN安全感兴趣的研究人员和工程师阅读。