基于深度学习的实时DDoS攻击检测

发布时间：2019-07-24 19:37

【摘要】：分布式拒绝服务(DDoS)攻击是一种分布式、协作式的大规模网络攻击方式,提出了一种基于深度学习的DDoS攻击检测方法,该方法包含特征处理和模型检测两个阶段:特征处理阶段对输入的数据分组进行特征提取、格式转换和维度重构;模型检测阶段将处理后的特征输入深度学习网络模型进行检测,判断输入的数据分组是否为DDoS攻击分组。通过ISCX2012数据集训练模型,并通过实时的DDoS攻击对模型进行验证。结果表明,基于深度学习的DDoS攻击检测方法具有高检测精度、对软硬件设备依赖小、深度学习网络模型易于更新等优点。
【图文】：

基于深度学习的实时DDoS攻击检测

络是一种前馈人工神经网络，是由Lecun[13]等人最早提出的，当前已是语音和图像识别领域的热门应用及研究问题。卷积神经网络主要利用了3个基本思想：局部感受野、权值共享和池化。局部感受野使每个神经元映射到局部特征，从而减少需要训练的权值参数；权值共享保证了同一个卷积核中所有神经元的权值都相同，因此能够大大减少网络中的训练参数；通过池化能够减小特征的规模，并且能够确保特征的不变性。因此，通过卷积神经网络的能够保证输入特征在位移、倾斜、比例缩放或其他变形后的顽健性，卷积神经网络模型如图1所示。假设在卷积层之后有一个N×N大小的神经元层，如果用一个m×m的滤波器w，则卷积层的输出大小为(Nm+1)×(Nm+1)。为了计算每层中神经元的输入lijx，就需要对前一层的神经元中滤波器的权重求和，lijx的计算式为：111()()00mmllijabiajbabxwy++===∑∑（1）其中，用到了非线性计算式：lijy=σ(lijx)（2）假设卷积层的误差函数为E，并知道当前卷积层的误差值，则可以求出前一层的误差值和卷积层的权重梯度。因此，根据当前层的误差值lijEy，可求出前一层误差值。通过应用链式法则可求出权重梯度abEw，计算式如下：1()()0000lNmNmNmNmijliaibllijijabijabijxEEEywxwx++======∑∑∑∑（3）根据式（3）可知，1()()llijiaibabxyw++=。其中，lijEx的计算式如下：'(())()lijllijijllllllijijijijijijyEEEExxxyxyxyσσ===（4）为了计算卷积层的权重，则需要将误差反向传递到前一层，而：1111()()110000()()()()l

基于深度学习的实时DDoS攻击检测

络。在1990年，递归神经网络的概念就被Kamijo等人[14]提出。在前馈神经网络中，信息是按照从输入层到输出层的方向定向传递的，而递归神经网络打破了前馈神经网络中定向传递信息的限制。递归神经网络不同于前馈神经网络：前馈神经网络从输入层到输出层，层与层之间都是前后全连接的，每层内部的神经元之间没有连接关系；而递归神经网络的隐藏层内部的神经元之间是有连接关系的，在某一时刻该层中神经元的输入包括了输入层神经元的输入、同一层内其他神经元的输入和前一时刻神经元自身的输出。递归神经网络模型如图2所示。图2递归神经网络模型对于一个简单的递归神经网络模型，隐藏层内部以递归的方式传递信息。不同于传统的神经网络，递归神经网络的隐藏层中的每一层都共享参数U、V、W，因此能够大大减少该网络所需学习的参数。隐藏层内部神经元的向前传递过程如下：()()(1)jijijkkikat=∑wxt+∑ust（6）()(())jjst=fat（7）()()qjqjjot=∑vst（8）其中，函数f为神经元的激活函数，一般为非线性函数，wij为输入特征与隐藏层中神经元之间的权重，ujk为隐藏层中神经元与前一层神经元之间的权重，vjq为隐藏层中神经元与输出特征之间的权重。隐藏层的误差不仅与当前时刻的输出o(t)有关，还有t+1时刻该层传递回来的s(t+1)有关。HochreiterS[15]在1997年提出了一种改进的递归神经网络模型长短期记忆（longshort-termmemory，LSTM）模型。他们认为传统的递归神经网络模型把隐藏层作为模型的记忆模块，，与模型中的其他部分存在直接连接的关系，这才导致了梯度消失和梯度爆炸问题的产生。之后，多位研究者重新设计了传统递归神经网络的记忆模块，在神经元内添加了输入门（inputgate）、输
【作者单位】：浙江工商大学信息与电子工程学院;美国佛罗里达大学大规模智能系统实验室;
【基金】：国家高技术研究发展计划(“863”计划)基金资助项目(No.2015AA011901) 国家自然科学基金资助项目(No.61402408,No.61379120) 浙江省重点研发计划基金资助项目(No.2017C03058)~~
【分类号】：TP393.08

【参考文献】