基于优化RBFNN的DDoS攻击检测研究
发布时间：2021-07-28 19:18
随着网络技术不断发展,攻击手段越来越多样化,传统分布式拒绝服务（DDoS）攻击检测技术逐渐表露出检测性能差、适应能力低等问题,DDoS攻击检测的新技术、新方法已成为相关领域的研究热点。软件定义网络（SDN）具有集中控制的特点,在SDN下收集流量进行攻击检测,可提高DDoS攻击检测性能。基于此本文在SDN下构建一个基于优化的径向基函数神经网络（RBFNN）的DDoS攻击检测模型。本文通过分析RBFNN各参数训练方法,选择适用于DDoS攻击研究的梯度下降算法作为RBFNN各参数的训练方法。为提高梯度下降算法优化各参数的优化速度,提出根据损失函数变化来动态计算步长的动态步长梯度下降算法。经实验验证动态步长梯度下降算法收敛速度快,寻优能力强。基于动态步长梯度下降算法优化RBFNN算法,使RBFNN算法各参数最优从而提高其学习能力,经实验验证优化后的RBFNN算法学习能力强。基于以上对RBFNN算法的优化,针对目前DDoS攻击检测性能差、适应能力低等问题,提出SDN下部署基于优化的RBFNN的DDoS攻击检测模型。模型需输入DDoS攻击特征,针对已有的DDoS攻击特征值未区分网络访问量突增与DD...
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
RBFNN网络拓扑结构图
8图 2.2 高斯函数图 可知，当输入自变量为 0 时，通过高斯函数计算的结果取得最加，计算结果不断减小。即当输入向量与隐含层中心参数的距离结果最大，距离越大，而隐含层的输出结果则越小[35]。由此可 隐含层产生局部反应。隐含层的输出计算公式如 2-3 所示：22exp( )iiiX cRr
哈尔滨工程大学硕士学位论文( )( ) ( ) 02( 1) ( ) ( ) ( ) 0kk J kk k k J k （2式 2-14 中， ( k)表示第k 次迭代的步长， ( k 1)表示第 k 1次迭代损失函数而定的迭代因子，迭代因子为小于 0.1 的随机数。当 J ( k) 函数随着迭代次数而减少，因此进行第 k 1次迭代。随着迭代次数的则越靠近极小值，因此步长都应比上一次有所减少，为确保收敛速度子也应不断减小。因此本文应用 ( k)作为步长的减小因子，随着迭 值逐渐增大，而 ( k)也逐渐减小，因此步长减小因子也在不断减小。0增大时，则损失函数错过极小值，因此应用步长折半的机制，将步长半重新迭代计算，直至损失函数不在改变。梯度下降算法的原理，损失函数不同则求得的结果也不同。以 Peakss 函数是一个拥有多个局部极值的多维函数。Peaks 函数的图像如图 2
【参考文献】：
期刊论文
[1]SDN中基于条件熵和GHSOM的DDoS攻击检测方法[J]. 田俊峰,齐鎏岭. 通信学报. 2018(08)
[2]云环境中基于SDN的高效DDoS攻击检测与防御方案[J]. 何亨,胡艳,郑良汉,薛正元. 通信学报. 2018(04)
[3]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇. 计算机工程与设计. 2018(02)
[4]一种快速有效鉴定CRISPR/Cas9诱导水稻突变体的方法[J]. 冯旭萍,彭城,张初,刘小丹,申婷婷,何勇,徐俊锋. 光谱学与光谱分析. 2018(02)
[5]基于OpenFlow的SDN网络攻防方法综述[J]. 武泽慧,魏强,王清贤. 计算机科学. 2017(06)
[6]SDN:未来互联网的挑战与机会[J]. 王丽,吕光宏,裴海旭. 现代计算机(专业版). 2017(09)
[7]层次型多中心的SDN控制器部署[J]. 张栋,郭俊杰,吴春明. 电子学报. 2017(03)
[8]基于深度学习和半监督学习的入侵检测算法[J]. 王声柱,李永忠. 信息技术. 2017(01)
[9]基于改进朴素贝叶斯的入侵检测方法[J]. 孙程,邢建春,杨启亮,韩德帅. 微型机与应用. 2017(01)
[10]网络安全中混合型入侵检测系统设计[J]. 傅明丽. 通讯世界. 2016(01)
硕士论文
[1]SDN中DDoS攻击检测与流表过载防御技术研究[D]. 王晓瑞.郑州大学 2017
[2]基于网络异常的入侵检测算法研究[D]. 孔令智.北京交通大学 2017
本文编号：3308487
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
RBFNN网络拓扑结构图
8图 2.2 高斯函数图 可知，当输入自变量为 0 时，通过高斯函数计算的结果取得最加，计算结果不断减小。即当输入向量与隐含层中心参数的距离结果最大，距离越大，而隐含层的输出结果则越小[35]。由此可 隐含层产生局部反应。隐含层的输出计算公式如 2-3 所示：22exp( )iiiX cRr
哈尔滨工程大学硕士学位论文( )( ) ( ) 02( 1) ( ) ( ) ( ) 0kk J kk k k J k （2式 2-14 中， ( k)表示第k 次迭代的步长， ( k 1)表示第 k 1次迭代损失函数而定的迭代因子，迭代因子为小于 0.1 的随机数。当 J ( k) 函数随着迭代次数而减少，因此进行第 k 1次迭代。随着迭代次数的则越靠近极小值，因此步长都应比上一次有所减少，为确保收敛速度子也应不断减小。因此本文应用 ( k)作为步长的减小因子，随着迭 值逐渐增大，而 ( k)也逐渐减小，因此步长减小因子也在不断减小。0增大时，则损失函数错过极小值，因此应用步长折半的机制，将步长半重新迭代计算，直至损失函数不在改变。梯度下降算法的原理，损失函数不同则求得的结果也不同。以 Peakss 函数是一个拥有多个局部极值的多维函数。Peaks 函数的图像如图 2
【参考文献】：
期刊论文
[1]SDN中基于条件熵和GHSOM的DDoS攻击检测方法[J]. 田俊峰,齐鎏岭. 通信学报. 2018(08)
[2]云环境中基于SDN的高效DDoS攻击检测与防御方案[J]. 何亨,胡艳,郑良汉,薛正元. 通信学报. 2018(04)
[3]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇. 计算机工程与设计. 2018(02)
[4]一种快速有效鉴定CRISPR/Cas9诱导水稻突变体的方法[J]. 冯旭萍,彭城,张初,刘小丹,申婷婷,何勇,徐俊锋. 光谱学与光谱分析. 2018(02)
[5]基于OpenFlow的SDN网络攻防方法综述[J]. 武泽慧,魏强,王清贤. 计算机科学. 2017(06)
[6]SDN:未来互联网的挑战与机会[J]. 王丽,吕光宏,裴海旭. 现代计算机(专业版). 2017(09)
[7]层次型多中心的SDN控制器部署[J]. 张栋,郭俊杰,吴春明. 电子学报. 2017(03)
[8]基于深度学习和半监督学习的入侵检测算法[J]. 王声柱,李永忠. 信息技术. 2017(01)
[9]基于改进朴素贝叶斯的入侵检测方法[J]. 孙程,邢建春,杨启亮,韩德帅. 微型机与应用. 2017(01)
[10]网络安全中混合型入侵检测系统设计[J]. 傅明丽. 通讯世界. 2016(01)
硕士论文
[1]SDN中DDoS攻击检测与流表过载防御技术研究[D]. 王晓瑞.郑州大学 2017
[2]基于网络异常的入侵检测算法研究[D]. 孔令智.北京交通大学 2017
本文编号：3308487
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3308487.html
