论文部分内容阅读
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DDoS攻击的差异,提出应用IP地址熵值比作为DDoS攻击特征值之一。最后,通过在SDN下模拟DDoS攻击,对RBFNN攻击检测模型进行测试,验证该模型在攻击检测准确率、漏报率和误报率上均有良好的表现。实验结果表明,本文提出的基于动态梯度下降算法优化的径向基神经网络攻击检测模型检测在检测准确率、误报率和漏报率指标上表现良好,并且各种攻击情况下各指标表现稳定。