DDoS攻擊以其攻攻擊方法簡(jiǎn)單、破壞性強(qiáng)且難以追查等特點(diǎn)成為了目前互聯(lián)網(wǎng)安全的主要問(wèn)題之一,為了應(yīng)對(duì)DDoS攻擊、減少其造成的經(jīng)濟(jì)損失,國(guó)內(nèi)外有大量的學(xué)者對(duì)DDoS攻擊檢測(cè)技術(shù)進(jìn)行了研究,目前很多學(xué)者提出利用統(tǒng)計(jì)方法對(duì)流量的某些特征建模,并設(shè)定特定的閾值對(duì)流量進(jìn)行判斷。通過(guò)單一的閩值設(shè)定判斷是否受到DDoS攻擊的方法存在較多的局限,隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,有越來(lái)越多的學(xué)者將機(jī)器學(xué)習(xí)模型引入到DDoS檢測(cè)技術(shù)中,通過(guò)大量樣本訓(xùn)練建立檢測(cè)模型,然而模型的分類(lèi)效果仍有待提高。本文分析了幾種常用的機(jī)器學(xué)習(xí)模型,并在檢測(cè)原原理、檢測(cè)性能等方面對(duì)它們進(jìn)行了比較,通過(guò)大量的真實(shí)網(wǎng)絡(luò)流量數(shù)據(jù)對(duì)幾種模型進(jìn)行了測(cè)試和驗(yàn)證,結(jié)果顯示基于SVM的分類(lèi)模型在對(duì)DDoS攻擊異常檢測(cè)方面的漏檢率以及誤檢率方面均有良好的表現(xiàn)。本文重點(diǎn)討論了SVM訓(xùn)練算法中的特征選取方法,并在此基礎(chǔ)上對(duì)SVM的特征選擇算法進(jìn)行了優(yōu)化,提出了混合的特征選擇算法,并通過(guò)真實(shí)的網(wǎng)絡(luò)流量測(cè)試對(duì)比了優(yōu)化前和優(yōu)化后的結(jié)果,在時(shí)間復(fù)雜度上以及準(zhǔn)確率上,改進(jìn)的算法具有更好的性能。針對(duì)不同系統(tǒng)對(duì)于漏檢率、漏報(bào)率或是某個(gè)攻擊類(lèi)型的不同要求,本文給出了帶有... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究的研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文的主要工作
    1.4 論文的結(jié)構(gòu)安排
第二章 DDoS攻擊檢測(cè)技術(shù)研究
    2.1 DDoS入侵檢測(cè)系統(tǒng)的類(lèi)別
        2.1.1 DDoS攻擊誤用檢測(cè)系統(tǒng)
        2.1.2 DDoS攻擊異常檢測(cè)系統(tǒng)
        2.1.3 混合型檢測(cè)系統(tǒng)
    2.2 基于統(tǒng)計(jì)分析的異常檢測(cè)技術(shù)的研究
        2.2.1 基于網(wǎng)絡(luò)流量自相似檢測(cè)法
        2.2.2 基于熵值的檢測(cè)法
        2.2.3 條件隨機(jī)場(chǎng)檢測(cè)法
        2.2.4 基于統(tǒng)計(jì)分析檢測(cè)模型的缺點(diǎn)
    2.3 基于機(jī)器學(xué)習(xí)的DDoS攻擊檢測(cè)技術(shù)
        2.3.1 基于機(jī)器學(xué)習(xí)的檢測(cè)系統(tǒng)
        2.3.2 基于決策樹(shù)的檢測(cè)方法
        2.3.3 基于樸素貝葉斯分類(lèi)器的檢測(cè)方法
        2.3.4 基于貝葉斯信念網(wǎng)的檢測(cè)方法
        2.3.5 支持向量機(jī)SVM的理論特性
        2.3.6 機(jī)器學(xué)習(xí)檢測(cè)方法的比較及其不足
    2.4 本章小結(jié)
第三章 基于SVM的DDoS攻擊檢測(cè)方法優(yōu)化
    3.1 SVM的訓(xùn)練模型
    3.2 特征選取算法
        3.2.1 流量的描述方法
        3.2.2 屬性特征選擇的描述
        3.2.3 帶調(diào)整因子的通用評(píng)價(jià)標(biāo)準(zhǔn)
    3.3 特征選擇策略及方法優(yōu)化
        3.3.1 通用型特征選取方法
        3.3.2 混合型特征選取方法
    3.4 核函數(shù)參數(shù)選擇方法的優(yōu)化
    3.5 本章小結(jié)
第四章 分布式包過(guò)濾系統(tǒng)DIPS的設(shè)計(jì)
    4.1 基于IpNetworkTester的DIPS設(shè)計(jì)
        4.1.1 DIPS的總體描述
        4.1.2 DIPS系統(tǒng)的需求分析
    4.2 DIPS的設(shè)計(jì)方案
        4.2.1 DIPS的設(shè)計(jì)原理
        4.2.2 DIPS的體系架構(gòu)
        4.2.3 DIPS的功能模塊設(shè)計(jì)
        4.2.4 DIPS節(jié)點(diǎn)的認(rèn)證
        4.2.5 DIPS節(jié)點(diǎn)間通信
    4.3 DIPS的部署方案
    4.4 DIPS系統(tǒng)與其他DDoS防御系統(tǒng)的比較
        4.4.1 與傳統(tǒng)檢測(cè)技術(shù)的比較
        4.4.2 與防火墻技術(shù)比較
        4.4.3 與單一的檢測(cè)系統(tǒng)比較
    4.5 本章小結(jié)
第五章 實(shí)驗(yàn)設(shè)計(jì)與測(cè)試
    5.1 WEKA實(shí)驗(yàn)平臺(tái)
    5.2 數(shù)據(jù)預(yù)處理
        5.2.1 數(shù)據(jù)來(lái)源
        5.2.3 數(shù)據(jù)格式
    5.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        5.3.1 實(shí)驗(yàn)一 機(jī)器學(xué)習(xí)算法測(cè)試比較
        5.3.2 實(shí)驗(yàn)二 支持向量機(jī)模型的測(cè)試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文的總結(jié)
    6.2 后續(xù)研究的展望
參考文獻(xiàn)
附錄
致謝
攻讀碩士學(xué)位期間發(fā)表的論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]基于FSS時(shí)間序列分析的DDoS檢測(cè)算法[J]. 王碩,趙榮彩,單征.  計(jì)算機(jī)工程. 2012(12)
[2]基于條件隨機(jī)場(chǎng)的DDoS攻擊檢測(cè)方法[J]. 劉運(yùn),蔡志平,鐘平,殷建平,程杰仁.  軟件學(xué)報(bào). 2011(08)
[3]基于信息熵聚類(lèi)的DDoS檢測(cè)算法[J]. 趙慧明,劉衛(wèi)國(guó).  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2010(12)
[4]DDoS detection based on wavelet kernel support vector machine[J]. YANG Ming-hui, WANG Ru-chuan College of Computer, Nanjing University of Posts and Telecommunications, Nanjing 210003, China.  The Journal of China Universities of Posts and Telecommunications. 2008(03)
[5]基于Hurst指數(shù)方差分析的DDoS攻擊檢測(cè)方法[J]. 張小明,許曉東,朱士瑞.  計(jì)算機(jī)工程. 2008(14)
[6]多類(lèi)支持向量機(jī)的DDoS攻擊檢測(cè)的方法[J]. 徐圖,羅瑜,何大可.  電子科技大學(xué)學(xué)報(bào). 2008(02)
[7]基于自相似檢測(cè)DDoS攻擊的小波分析方法[J]. 任勛益,王汝傳,王海艷.  通信學(xué)報(bào). 2006(05)
[8]基于勢(shì)函數(shù)的多機(jī)器人系統(tǒng)的編隊(duì)控制[J]. 賈秋玲,閆建國(guó),王新民.  機(jī)器人. 2006(02)
[9]入侵檢測(cè)技術(shù)研究綜述[J]. 卿斯?jié)h,蔣建春,馬恒太,文偉平,劉雪飛.  通信學(xué)報(bào). 2004(07)
[10]對(duì)等網(wǎng)絡(luò)DoS攻擊的防御機(jī)制[J]. 李曉戈,楊壽保.  計(jì)算機(jī)工程. 2004(02)



本文編號(hào)：3025623