基于数据中心网络的L-DDoS检测算法研究

发布时间：2022-05-08 09:19

　　由于数据中心网络中的数据流具有延迟性、多样性和同步性等特性,导致数据中心容易遭到具有隐蔽性的低速率分布式拒绝服务（L-DDoS）攻击。传统的L-DDoS检测算法主要存在以下问题:首先,在检测流量收集和周期设置方面,有些检测方法具有完全控制功能的假设不够符合实际,造成流量收集不全面和非智能;同时,传统设置检测周期比较缺乏灵活性,导致设置检测周期不够合理。其次,在属性统计方面,传统机器学习算法大多数采用香农熵度量属性,但香农熵在L-DDoS检测方面存在误警率较高的问题;在机器学习检测算法方面,传统机器学习算法在数据包关联性方面考虑较少,容易造成准确率较低的问题;另外,传统机器学习算法大多数针对单类型攻击进行检测,导致检测各种程度的L-DDoS攻击的自适应性较差。针对以上在数据中心网络L-DDoS攻击检测中出现的问题,本文利用软件定义网络（SDN）技术的集中控制性实现检测流量智能控制;同时,采用OpenFlow的消息机制增加检测周期设置的灵活性。为了更好的区分正常流量和L-DDoS攻击流量,不同于传统香农熵的统计方法,本文从随机分布的角度出发,提出一种Renyi熵统计的方法,增加两者之间的熵... 

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 相关研究
    1.3 存在的问题
    1.4 论文的主要工作
    1.5 论文的组织结构
    1.6 本章小结
第2章 数据中心网络L-DDoS及相关技术介绍
    2.1 数据中心网络
        2.1.1 数据中心网络特性
        2.1.2 数据中心网络基本架构
    2.2 L-DDoS攻击
        2.2.1 攻击原理
        2.2.2 攻击类型
        2.2.3 攻击方式
    2.3 L-DDoS异常检测算法
        2.3.1 异常检测算法
        2.3.2 基于SDN技术的检测算法
    2.4 检测特征和指标
        2.4.1 检测特征
        2.4.2 检测性能指标
    2.5 本章小结
第3章 基于HMM-R模型的L-DDoS检测
    3.1 Renyi熵概述
        3.1.1 Renyi熵基本定义和性质
        3.1.2 Renyi熵基本原理
    3.2 HMM模型概述
        3.2.1 贝叶斯网络
        3.2.2 HMM模型
        3.2.3 HMM模型基本原理
        3.2.4 三个基本问题
    3.3 HMM-R检测方案
        3.3.1 总体架构
        3.3.2 数据预处理
        3.3.3 模型初始化
        3.3.4 模型训练
        3.3.5 模型检测
    3.4 本章小结
第4章 实验结果与分析
    4.1 实验数据
        4.1.1 MITDARPA和CAIDA2007数据集
        4.1.2 SDN仿真数据
    4.2 MITDARPA和CAIDA2007数据分析
        4.2.1 Renyi熵和香农熵性能对比
        4.2.2 模型检测性能对比
    4.3 SDN环境下仿真结果
        4.3.1 模型检测性能对比
        4.3.2 滑动窗口对比
        4.3.3 鲁棒性
        4.3.4 时间复杂度对比
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
附录A 攻读学位期间所发表的学术论文目录


【参考文献】：
期刊论文
[1]软件定义网络（SDN）研究进展[J]. 张朝昆,崔勇,唐翯翯,吴建平.  软件学报. 2015(01)
[2]现代数据中心网络特征研究[J]. 邓罡,龚正虎,王宏.  计算机研究与发展. 2014(02)
[3]数据中心网络的研究进展与趋势[J]. 李丹,陈贵海,任丰原,蒋长林,徐明伟.  计算机学报. 2014(02)
[4]低速率拒绝服务攻击研究与进展综述[J]. 文坤,杨家海,张宾.  软件学报. 2014(03)



本文编号：3651380