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: 2022112768581
申请人: 湖南大学
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:

1.一种基于无序程度的慢速流表溢出攻击检测与缓解方法,所述方法包括以下几个步骤:步骤1、采集流表数据:以SDN流表超时机制中的软超时为采样周期,实时采集SDN交换机中的流表,并记录流表中存储的每条流规则,形成流表溢出攻击检测与缓解的原始数据;

步骤2、采集流表特征:流表特征的采集包括以下两个步骤:

步骤2.1、实时统计每个流表中流规则的总条数,采用滑动窗口构建检测窗口,计算每个窗口内流规则数目变化的shapelets特征;

步骤2.2、实时统计每个流表的六个统计特征,包括:匹配字节数、匹配包数和流持续时间分别对应的均值和变异系数,并实时统计每个流表的无序程度特征,包括:源IP地址的无序程度DDoIP、源‑目的端口的无序程度DDoP和无序系数CCD,其计算方式如下:DDoIP=H(ipsrc)

DDoP=a×H(portsrc,portast)+(1‑a)×H(portdst|portsrc)CDD=a×H(ipsrc)+(1‑a)×H(portdst|portsrc)

其中,ipsrc为源IP地址,portsrc为源端口地址,portdst为目的端口地址,H(ipsrc)为源IP地址的香农熵,H(portsrc,portdst)为源‑目的端口的联合熵,H(portdst|portsrc)为H(portdst|portsrc)的条件熵,a为平衡系数,默认为0.5;

步骤3、攻击检测判定:基于步骤2中的shapelets特征,训练shapelets特征检测模型;

基于步骤2中的统计特征和无序程度特征,训练分类器;控制器实时获取SDN交换机中的流表信息,若某一时刻shapelets特征、统计特征和无序程度特征都被判定为攻击特征,则判定发生了慢速流表溢出攻击;

步骤4、流规则分类:当检测到慢速流表溢出攻击时,实时统计流表中每条流规则的六个特征,包括:流持续时间、累积匹配字节数、累积匹配数据包数、平均数据包大小、平均包到达间隔和数据包传输速度,将六个特征输入训练好的分类器,对正常流规则和恶意流规则进行区分,并将恶意流规则加入待驱逐流规则列表;

步骤5、流表溢出缓解:将所有流规则分别按累积字节数和平均数据包大小从大到小的顺序进行排序,若排名前10%的流规则存在于待驱逐流规则列表中,则将其从列表中移除,最终删除待驱逐流规则列表中的所有恶意流规则,以缓解流表溢出攻击。

2.根据权利要求1中所述的慢速流表溢出攻击检测与缓解方法,其特征在于,步骤3中shapelets特征检测模型使用LeamingShapelets模型训练,统计特征和无序程度特征检测模型使用集成学习NGBoost模型进行训练。

3.根据权利要求1中所述的慢速流表溢出攻击检测与缓解方法,其特征在于,步骤4中的流规则分类器的训练,包括三个步骤:步骤3.1、实时提取流表中每条流规则的流持续时间、流匹配包数以及流累计匹配字节数三个字段,统计每条流规则的六个特征,包括:流持续时间、累积匹配字节数、累积匹配数据包数、平均数据包大小、平均包到达间隔和数据包传输速度,得到训练特征集;

步骤3.2、基于每条流规则的源IP地址,将正常流规则的标签设置为0,将恶意流规则的标签设置为1;

步骤3.3、将训练特征集输入NGBoost分类器,训练一个流规则分类模型。

4.根据权利要求1中所述的慢速流表溢出攻击检测与缓解方法,其特征在于,步骤5中,为了防止误删数量少但传输数据量大的大流,将所有流规则分别按累积字节数和平均数据包大小从大到小的顺序进行排序,将排名前10%的流规则视为大流,若待驱逐流规则列表中存在大流,将其移除,从而保护大流。