1.一种基于PSO‑K算法的LDoS攻击检测方法,其特征在于,PSO‑K表示粒子群优化和K均值聚类,PSO‑K算法的处理过程包括:1)基于粒子群优化算法对K个聚类中心增加扰动;2)基于K均值聚类算法从K个聚类中心出发对需要聚类的数据进行聚类获得K个簇;3)对聚类后的簇进行分析,所述LDoS攻击检测方法包括以下几个步骤:步骤1、采样数据:设置时间窗口,在窗口内以固定取样时间获取路由器上的TCP流量以及UDP流量,形成TCP样本原始值序列和UDP样本原始值序列;
步骤2、处理数据:在窗口内划分时间片,计算每个时间片的样本原始值序列方差,得到窗口内的TCP样本统计值序列和UDP样本统计值序列;
步骤3、聚类分析数据:基于PSO‑K算法,对窗口内的两组样本统计值序列进行聚类分析,并计算各簇内所有点的平均值,得到各TCP簇和UDP簇的均值方差,所述PSO‑K算法的具体处理步骤为:
步骤3.1、基于粒子群优化算法,分别对TCP样本统计值和UDP样本统计值的K个聚类中心增加扰动,增强其跳出局部最优解和寻找最优聚类的能力,所述粒子群优化算法的具体处理过程为:1)设置粒子群的粒子总个数为N,初始化每一个粒子i的速度vi、位置xi、个体极值pbestsi以及全局极值gbestsi,i∈{1,2,…,N},设置粒子速度和位置迭代更新的总轮数为Gk;2)在每一轮更新迭代中,计算每一个粒子i的新vi、xi、pbestsi、gbestsi值,根据N个粒子各自的新位置xi将所有粒子拆分为K个类,计算每一个类的中心获得共K个中心,即为当前迭代轮数下的K个聚类中心,计算当前迭代轮数下的K个类中所有粒子到其对应的中心的欧式距离之和;3)在Gk轮迭代完成之后,最小的欧式距离之和对应的迭代轮数下的K个聚类中心即为增加扰动后的聚类中心;
步骤3.2、基于K均值聚类算法,分别从TCP样本统计值和UDP样本统计值的K个聚类中心出发对该窗口内对应的样本统计值进行聚类分析,每一个聚类中心对应一个簇,一个簇中包含的元素对象为数个样本统计值,根据步骤3.1获得的增加扰动后的K个聚类中心,所述K均值聚类算法的具体处理过程为:1)针对步骤2获得的TCP样本统计值序列,分别计算每一个TCP样本统计值到这K个聚类中心的欧式距离,选择其中最短的欧式距离对应的聚类中心,将此TCP样本统计值划分到此聚类中心对应的簇中,将所有TCP样本统计值划分完成后形成共K个TCP簇,每一个TCP簇都由计算机生成一个聚类标签,第k个簇的聚类标签为k,k∈{1,2,…,N};2)针对步骤2获得的UDP样本统计值序列,分别计算每一个UDP样本统计值到这K个聚类中心的欧式距离,选择其中最短的欧式距离对应的聚类中心,将此UDP样本统计值划分到此聚类中心对应的簇中,将所有UDP样本统计值划分完成后形成共K个UDP簇,每一个UDP簇都由计算机生成一个聚类标签,第k个簇的聚类标签为k,k∈{1,2,…,N};
步骤3.3、对于聚类后每个TCP簇和UDP簇,计算簇内所有点的均值,得到各TCP簇和UDP簇的均值方差;
步骤4、判定检测:根据预先计算获得的TCP均值方差阈值以及UDP均值方差阈值,对该窗口内各簇的均值方差进行判定检测,若TCP簇和UDP簇的均值方差均大于其对应的阈值,且二者拥有相同的聚类标签,则判定该窗口内的网络中发生LDoS攻击。
2.根据权利要求1中所述的LDoS攻击检测方法,其特征在于,步骤4中根据步骤3中计算获得的该窗口内各TCP簇和各UDP簇的均值方差,对该窗口内的TCP流量和UDP流量进行判定检测,包括三个步骤:
步骤4.1、基于预先计算获得的TCP均值方差阈值,对该窗口内各TCP簇均值方差进行判定检测,若该窗口内TCP簇均值方差大于TCP均值方差阈值,则该窗口内TCP均值方差异常,判定此窗口内TCP流量异常;
步骤4.2、基于预先计算获得的UDP均值方差阈值,对该窗口内各UDP簇均值方差进行判定检测,若该窗口内UDP簇均值方差大于UDP均值方差阈值,则该窗口内UDP均值方差异常,判定此窗口内UDP流量异常;
步骤4.3、若步骤4.1和4.2同时检测到流量异常,且此TCP簇和UDP簇的聚类标签相同,则判定该窗口内发生LDoS攻击,聚类标签的获得方式为在计算机上运行PSO‑K算法程序生成整数类型的聚类标签值。
3.根据权利要求2中所述的LDoS攻击检测方法,其特征在于,步骤4.1中的TCP均值方差阈值的计算方式为:根据步骤2,对不存在LDoS攻击的TCP流量计算获得TCP样本统计值序列,计算序列的平均值,获得TCP均值方差阈值。
4.根据权利要求2中所述的LDoS攻击检测方法,其特征在于,步骤4.2中的UDP均值方差阈值的计算方式为:根据步骤2,对不存在LDoS攻击的UDP流量计算获得UDP样本统计值序列,计算序列的平均值,获得UDP均值方差阈值。