分布式拒绝服务(Distributed Denial of Service,DDoS)攻击是一种操作较为简单的攻击方式,并且破坏力巨大,因此,也是攻击者经常选择的方式。研究学者虽对DDoS攻击预警进行了一些研究,但随着DDoS的攻击手段不断变化,现有的DDoS攻击预警方法存在滞后的问题,导致预警不及时,使得防范更加困难。本文针对DDoS攻击预警的现存问题,展开分析研究,基于LSTM神经网络模型实现DDoS攻击预警。本文具体研究工作如下:1.本文对DDoS攻击原理进行深入研究,对几种典型的DDoS攻击方式详细分析,根据研究和分析结果,总结DDoS攻击的发展趋势和攻击特性。2.本文针对DDoS攻击检测方法存在滞后性、误报漏报等不足,提出了一种基于长短时记忆(Long-Short-Term Memory,LSTM)网络流量预测模型的DDoS攻击检测方法。通过分析正常网络流量特性,定义IP数据包统计特征(IP-Data-Counts Feature,IPDCF)来表征网络流特征,基于IPDCF序列训练LSTM神经网络,建立预测模型,并对待测流进行预测,然后将预测结果与预先设定的阈值进行比较,进而识别DDoS攻击。实验结果表明,该方法可以较准确地识别DDoS攻击,且误报率和漏报率较低。3.本文针对DDoS攻击预警阈值的设定方法,存在静态、单一等缺点,提出了一种基于动态自适应阈值的DDoS攻击预警模型。设计了 DDoS攻击态势预警模型逻辑结构,定义了区域性的网络安全脆弱性因子(Security-Vulnerabilities-Factor,SVF)。然后基于LSTM网络流量预测模型的预测结果以及区域性SVF,动态自适应设定闽值,基于该阈值定义预警级别区间,以判定DDoS攻击的程度。实验表明,该模型能有效地从全局角度动态地分析DDoS攻击态势,准确地预警DDoS攻击级别。4.本文设计了基于LSTM的DDoS攻击预警系统。详细阐述了预警系统的需求。根据需求,设计了总体框架和各子模块及其数据库。并基于此框架对系统进行了实现和测试,测试结果表明本文所提方法的可行性和实用性。