欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021107046434
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种软件定义网络中基于数据面网络特征采集的DDoS攻击检测方法,其特征在于,所述方法包括:获取特征数据,所述特征数据是利用可编程数据面对网络中的数据包进行特征采集得到的;

根据获取的特征数据生成数据拟合网络,利用带标签的数据与数据拟合网络相结合生成数据有害度网络;

将历史数据与数据拟合网络相结合生成数据罕见度网络,利用数据有害度网络和数据罕见度网络对决策树算法进行修正,得出最终的DDoS检测结果;

根据获取的特征数据生成数据拟合网络的方法包括:

对特征数据进行预处理,处理后的数据表示为:

式中,vi表示网络中数据包i所对应的特征向量,对应算法的一条输入数据, 表示数据包i的第k个特征的值,VN表示算法中所有输入数据的集合;

初始化一个二位的栅格状神经网络,该神经网络的定义如下:初始化的二维神经网络表示为GAB,其中AB表示该网络中包含有A×B个神经元,每个神经元表示为 表示第j个神经元的第k个权重分量,每个神经元共有l个权重分量,l个权重分量与输入数据vi的各个特征维度一一对应,初始状态时,GAB中的每个神经元各个维度的权值随机分布,而神经元之间的距离与神经元各维度权值的大小有关,定义如下:dij=||ni‑nj||,i,j=1,2,3,…,A×B    (2)式中,神经元i与神经元j的距离由ni和nj的2范数决定;

针对每一个输入数据,计算其在GAB中所对应的获胜神经元,包括:获胜神经元定义为:对于输入数据vi,根据式(3)计算GAB中每个神经元与vi的距离,距离最近的神经元 为vi对应的获胜神经元;

t

式中,Dmin表示当前t时刻获胜神经元的下标,则神经元 即为该次输入所产生的获胜神经元,表示当前t时刻输入的数据 与神经元 的相似性最大;

根据当前时刻的输入数据 产生的获胜神经元 来对整个神经网络GAB中的相关神经元进行权值更新,更新方式由式(4)(5)得出:式(4)中,神经元nj在t+1时刻的权值取决于其在t时刻的权值,以及nj和t时刻输入数据t的差值,其中 表示t时刻到t+1时刻权值更新的幅度,λ表示t时刻算法的学习t率,λ的大小会随着t的增加而逐渐减小; 的值取决于在t时刻,神经元nj与获胜神经元 的距离大小;

式(5)中,神经元nj与该时刻获胜神经元 在二维神经网络中的坐标分别用gj和gc

2 t

表示,||gc‑gj||表示两个神经元的坐标之间的距离;δ是一个随着t增加而逐渐减小的值;

针对输入数据集合VN中的每一条数据对GAB进行权值更新后,生成数据拟合网络Gfit;

所述带标签的数据的生成方法包括:收集网络中的正常流量数据和DDoS攻击流量数据,并对其进行特征处理,并对处理好的每条数据打上标签以区分其是否为DDoS流量,形成带标签数据集Vlabel;

利用数据有害度网络和数据罕见度网络对决策树算法进行修正,得出最终的DDoS检测结果的方法包括:利用决策树算法在带标签的训练数据集Vlabel上训练,得到决策树模型MDT;

对原始未知的流量数据进行特征提取和独热编码,转换为能够输入算法进行计算的特征向量vunknown;

利用决策树模型MDT对vunknown进行初步分类,得到初步预测结果;

若初步预测结果显示为有害,则直接将vunknown判断为DDoS攻击流量;

若初步预测结果显示为无害,则利用vunknown更新Grare,并利用Gpoison和Grare分别算出其对应的有害度和罕见度punknown和runknown;

如果punknown大于事先设定的阈值pbar,则判断为DDoS攻击流量;

如果punknown小于事先设定的阈值vbar,则判断为DDoS攻击流量,否则判断为正常流量。

2.根据权利要求1所述的一种软件定义网络中基于数据面网络特征采集的DDoS攻击检测方法,其特征在于,利用可编程数据平面对网络中的数据包进行特征采集的方法包括:确定数据包中需要解析的各层协议头;

根据确定的协议头,指定需要解析的协议字段;

确定各个协议头之间的状态转移关系,指定各层协议头的解析顺序;

按照指定的解析顺序,获取数据包各层协议头中的指定字段。

3.根据权利要求2所述的一种软件定义网络中基于数据面网络特征采集的DDoS攻击检测方法,其特征在于,所述数据有害度网络Gpoison中的节点数目与所述数据拟合网络Gfit中的神经元数目相同且一一对应,每个节点存储着对应神经元的有害度pj∈Gpoison;

所述pj的更新方式由式(6)得出:

式(6)中, 和 分别表示t时刻和t+1时刻Gpoison中节点j的有害度,vl表示t时刻输入的带标签数据。

4.根据权利要求3所述的一种软件定义网络中基于数据面网络特征采集的DDoS攻击检测方法,其特征在于,将历史数据与数据拟合网络相结合生成数据罕见度网络的方法包括:构建数据罕见度网络Grare,数据罕见度网络Grare中的节点数目与数据拟合网络Gfit中神经元数目相同且一一对应,在系统运行时,对于网络中的历史流量数据进行记录;

对于一条历史流量数据vh,根据数据拟合网络Gfit计算历史流量数据vh所对应的获胜神经元nk,进而根据式(7)更新Grare中对应节点的罕见度rk;

式中, 和 分别表示t时刻和t+1时刻Grare中节点k的罕见度;Tnow表示当前更新时刻的时间戳,Tk_last_update表示上一次更新节点k的rk时的时间戳。