基于OCSVM和主動學習的DDOS攻擊分布式檢測系統(tǒng).pdf

1、當前網(wǎng)絡的規(guī)模不斷加大，應用的普及程度越來越廣，網(wǎng)絡已經(jīng)深入了我們生活的方方面面，因此網(wǎng)絡的安全性也受到人們的高度重視。
　　 分布式拒絕服務攻擊(DDOS)是一種攻擊方法簡單，但危害較大的攻擊方式，它已經(jīng)給政府和企業(yè)造成了嚴重的經(jīng)濟損失。DDOS攻擊比拒絕服務攻擊(DOS)造成的損失更大，它通過控制網(wǎng)絡上眾多的傀儡機向受害者發(fā)起攻擊，因而加大了檢測難度。對DDOS攻擊的檢測是網(wǎng)絡安全領域研究的重點。
　　 本文詳細討論

2、了DDOS攻擊的技術原理，對DDOS攻擊的檢測方法做了介紹。傳統(tǒng)的誤用檢測機制無法有效識別DDOS攻擊，因為只有一部分攻擊方式具有獨特的協(xié)議特征，還有很多沒有特征的攻擊方法，因此依據(jù)特征碼的檢測方法效果不好?；诹髁拷y(tǒng)計分析的異常檢測機制，需要設定異常的閾值，這個閾值的大小沒有設定依據(jù)，而且設定之后不能動態(tài)更新，也降低了該方法的實際應用效果。用機器學習的方法檢測DDOS攻擊，將攻擊視為分類問題是近年來的研究熱點，它使檢測系統(tǒng)具有了一定的

3、智能性，常用的有神經(jīng)網(wǎng)絡，數(shù)據(jù)挖掘的方法等。但多數(shù)方法忽略了DDOS攻擊的特點，即攻擊的發(fā)生相對正常網(wǎng)絡流量較少，要獲取攻擊樣本進行標注花費的成本很大，而且樣本集是不平衡的，它屬于分類領域的單類問題。大多數(shù)學習算法都是在有限的樣本集上進行訓練，訓練完成之后不能主動的更新學習機模型，而且對分類的錯誤也沒有錯誤識別機制，這樣就不適用于網(wǎng)絡流這樣實時更新不斷變化的樣本集。
　　 為了解決上訴問題，本文使用單類支持向量機(One cla

4、ss SVM)來檢測DDOS攻擊，它是一種無監(jiān)督的學習算法，減少了標注樣本的開銷，而且具有良好的泛化性能。為了降低學習機的訓練和檢測時間，使用了主動學習的方法。主動挑選信息量最大的樣本加入訓練集，通過增量學習算法提高了算法的學習效率，加入主動錯誤識別模塊，可以發(fā)現(xiàn)和糾正分類器的錯誤，使學習機具有動態(tài)更新功能，具有實時性。因為現(xiàn)在DDOS攻擊具有網(wǎng)絡協(xié)同性，檢測引擎也要能夠相互通信，共享安全信息，因此，設計了一種安全聯(lián)動協(xié)議，用于各檢測引