基于隐马尔可夫模型的多级残差网络DDoS攻击检测

发布时间：2022-04-23 18:34

　　传统检测方法很难及时辨别出DDoS攻击的种类与方式,针对这一问题,基于隐马尔可夫模型研究了一种新的多级残差网络DDoS攻击检测方法。该检测方法可以在DDoS攻击多级残差网络时,应用相关公式提取DDoS攻击中的可观参数与隐含参数,并利用这些参数分别建立隐含状态转移概率矩阵与观测状态转移概率矩阵排列,计算DDoS攻击因子,通过对DDoS攻击因子进行详细的判定与分析,判断多级残差网络中否存在DDoS攻击。为了验证检测方法的效果,设定对比实验,结果表明,基于隐马尔可夫模型的多级残差网络DDoS攻击检测方法,具有检测时间短、检测准确率高的优点。 

【文章页数】：5 页

【文章目录】：
1 DDos攻击因子提取
2 DDos攻击因子判定
3 DDos攻击检测
4 实验研究
    4.1 实验目的
    4.2 实验参数
    4.3 实验结果与分析
5 结束语


【参考文献】：
期刊论文
[1]基于面部结构残差网络的压缩人脸图像复原算法[J]. 赵强,干宗良,刘峰.  南京邮电大学学报(自然科学版). 2019(04)
[2]基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别[J]. 周建民,张臣臣,张龙,郭慧娟.  机械设计与研究. 2019(03)
[3]使用深度残差网络的乘波体气动性能预测[J]. 陈冰雁,刘传振,白鹏,乔宇.  空气动力学学报. 2019(03)
[4]基于隐马尔可夫模型的反射型XSS检测技术[J]. 赵澄,陈君新.  浙江工业大学学报. 2019(04)
[5]基于隐马尔可夫模型的连续语音同步识别系统[J]. 李玉华.  现代电子技术. 2019(11)
[6]基于主元分析得分重构差分的故障检测策略[J]. 张成,郭青秀,李元,高宪文.  控制理论与应用. 2019(05)
[7]融合重检测机制的卷积回归网络目标跟踪算法[J]. 贾永超,何小卫,郑忠龙.  计算机应用. 2019(08)
[8]基于深度残差神经网络的AES密码芯片电磁攻击研究[J]. 罗漫,张洪欣.  电波科学学报. 2019(04)
[9]一种聚类隐马尔可夫模型的时空轨迹预测算法[J]. 孙红,陈锁.  小型微型计算机系统. 2019(03)
[10]马尔可夫模型于无线信道异常检测中的应用[J]. 袁莉芬,郭涛,何怡刚,吕密,程珍,索帅.  电子测量与仪器学报. 2019(03)



本文编号：3647752