1.一种基于相似程度的慢速DoS攻击检测与缓解方法,所述方法包括以下几个步骤:步骤1、网络状态监测:利用软件定义网络的控制器进行数据采集,实时采集网络聚合流量,监控每个窗口内聚合流量的平均波动长度AFL,并将其归一化,然后使用动态阈值TH来判断网络是否异常;
步骤2、攻击检测判定:攻击检测的判定包括以下三个步骤:
步骤2.1、实时采集流量序列数据,包含聚合流量数据、TCP流量数据和UDP流量数据;
步骤2.2、实时统计每个窗口内流量序列的六个特征,包括聚合流量的峰群相似系数、平均流速和平均波动长度,TCP流量的内罗梅指数和平均包大小,以及UDP流量的包数的Renyi熵;
步骤2.3、将特征输入训练好的机器学习分类器,输出检测结果;
步骤3、攻击缓解实施:攻击缓解的实施包括以下三个步骤:
步骤3.1、实时采集每个IP的流量序列和聚合流量序列,计算每条流量序列与聚合流量序列的L1范数、L2范数和L∞范数,衡量单条流量序列与聚合流量序列的相似性;
步骤3.2、对每个IP的可疑程度打分,若三个范数中有两个范数是最小的,则给该IP加
0.5分,若三个范数全部是最小的,则给该IP加1分,并将该IP及其可疑得分加入黑名单,如黑名单中该IP已经存在,则累计可疑得分;
步骤3.3、当一个IP的可疑得分大于预定义的阈值时,则认定该IP为攻击源,控制器下发流规则对该攻击源进行阻断,并将该IP从黑名单中移除。
2.根据权利要求1中所述的慢速DoS攻击检测与缓解方法,其特征在于,步骤1中的窗口为滑动窗口,滑动窗口通过每次向后滑动1个采样间隔,使其包含最近10个采样间隔的聚合流量数据,为了适应各种网络配置,在计算平均波动长度前,使用最大‑最小归一化方法将流量序列归一化,最大‑最小归一化Max‑Min Scaling、平均波动长度AFL与动态阈值TH的计算方式如下:THi=β1*THi‑4+β2*THi‑3+β3*THi‑2+β4*THi‑1+β5*AFLi其中,TMMS为经过归一化后的序列,T为聚合流量序列,n为序列大小,β1‑β5为权重因子,逐渐递增,且相加等于1,THi‑4‑THi‑1为过去四个窗口内的阈值,AFLi为现窗口内的AFL。
3.根据权利要求1中所述的慢速DoS攻击检测与缓解方法,其特征在于,步骤2.2中的峰群相似系数PSC的计算,包括四个步骤:步骤a、计算一个窗口内峰的个数,峰为三个连续采样点A、B、C内的流量序列,呈峰状,A为峰尖,B和C为峰底,并将A、B、C三点的高度称为HA、HB、HC,若HA>HB,HA>HC,且HA‑min(HB,HC)>BD*10%,BD为带宽,则称该序列为一个峰;
步骤b、计算每个峰的峰高、峰对称性和峰面积;峰高为峰尖到较小的峰底的垂直距离,峰对称性为序列BA与BC关于点B的对称性,峰面积为三角形ABC的面积;
步骤c、计算一个窗口内所有峰的峰高相似系数PHSC,峰对称性相似系数PSSC和峰面积相似系数PASC,其计算方式如下:其中,phi、psi、pai分别为一个窗口内第i个峰的峰高、峰对称性和峰面积,分别为一个窗口内所有峰的峰高、峰对称性和峰面积的平均值,n为峰的个数,m为计算步长,其值为2;
步骤d、计算一个窗口内的峰群相似系数PSC,其计算方式如下:
PSC=α*PHSC+β*PSSC+(1‑α‑β)*PASC
其中,α和β是平衡因子,充分考虑峰高、峰对称性和峰面积三者对峰相似性的影响。
4.根据权利要求1中所述的慢速流DoS攻击检测与缓解方法,其特征在于,步骤3.1中,L1范数、L2范数和L∞范数的计算方式如下:其中,N和n设置为1、2、∞,即可得到L1范数、L2范数和L∞范数,m为序列长度,k代表为序列中的第k个数据。