1.一种基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,包括下列步骤:启动SDN控制器进行流量数据采集,并将所述流量数据存储在CSV文件中;
将收集到的数据放入Double‑Bagging检测模型进行训练;
将训练生成的集成模型嵌入SDN控制器,启动DDOS攻击检测模块。
2.如权利要求1所述的基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,所述流量数据包括正常流量和攻击流量的数据,由IP源的速度、流量计数、流量表项的速度和流量对比值组成,所述IP源的速度、所述流量计数、所述流量表项的速度和所述流量对比值的数值在正常流量时均比在攻击流量时低。
3.如权利要求1所述的基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,所述Double‑Bagging检测模型的建立过程,包括下列步骤:进行数据预处理及特征降维,通过基于bagging集成算法的特征子集选择投票机制获取最优特征子集;
所述最优特征子集输入基分类器进行训练,选择优质的异质集成学习基分类器模型;
采用基于Bagging集成算法的加权投票机制进行选择基分类器模型的集成。
4.如权利要求3所述的基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,特征降维采用结合过滤法和嵌入法的降维算法,并选用滤法中的两种特征选择算法卡方验证与互信息算法以及嵌入法中的极限随机树算法计算特征贡献的排序。
5.如权利要求3所述的基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,获取最优特征子集的过程,具体为通过设定的阈值决定每个特征选择算法结果的个数,根据特征贡献排序生成结果特征子集,采用投票策略选择出现次数最多的特征子集作为最优特征子集。
6.如权利要求3所述的基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,在所述最优特征子集输入基分类器进行训练,选择优质的异质集成学习基分类器模型的过程中,引入集成学习中的多样性度量进行基分类器间的组合效果评估,并采用贝叶斯优化参数,通过计算模型的准确率和曲线下面积完成第一次的基分类器过滤。
7.如权利要求3所述的基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,所述加权投票机制的权重由准确率和曲线下面积值确定,所述曲线下面积值通过基分类器的受试者工作特征曲线计算获取。
8.如权利要求1所述的基于集成学习的软件定义网络DDOS攻击协同防御方法,其特征在于,启动DDOS攻击检测模块后,当正常流量产生时,Double‑Bagging模型算法将其预测为正常流量,当有攻击流量产生时,立即将其检测为DDOS攻击,并阻断其进入的端口。