低速率分布式拒絕服務(wù)（Low-rate Distributed Denial of Service,LDDoS）攻擊是一種新型的DDoS攻擊方式,因其具有低速率、周期性和隱蔽性等特點,可躲避傳統(tǒng)的DDoS攻擊檢測技術(shù),更加難于檢測和防御。本文提出一種基于特征選擇和雙向長短期記憶（Bidirectional Long Short Term Memory,BiLSTM）神經(jīng)網(wǎng)絡(luò)結(jié)合的LDDoS攻擊檢測方法。該方法使用分層交叉驗證的遞歸特征消除（Recursive Feature Elimination CV,REFCV）特征選擇算法挖掘雙向流中最優(yōu)的11個特征集合作為神經(jīng)網(wǎng)絡(luò)的輸入,建立基于BiLSTM神經(jīng)網(wǎng)絡(luò)模型的LDDoS攻擊檢測分類器進行分類,達到LDDoS攻擊檢測的目的。實驗結(jié)果表明該方法比卡爾曼濾波和NCAS算法有較高的檢測率,誤報率和漏報率都很低。 

【文章來源】：計算機與現(xiàn)代化. 2020,(05)

【文章頁數(shù)】：7 頁

【部分圖文】：

基于Bi LSTM的攻擊檢測框架圖

其中σ是sigmoid激活函數(shù)，xt是輸入序列，i、f、o和c分別是輸入門、遺忘門、輸出門和細胞狀態(tài)。Wf、Wi、Wc和Wo分別是從輸入序列連接到遺忘門、輸入門、候選細胞狀態(tài)和輸出門的權(quán)重矩陣;Uf、Ui、Uc和Uo分別是連接LSTM單元和遺忘門的權(quán)重矩陣、連接LSTM單元和輸入門的權(quán)重矩陣、連接LSTM單元和細胞狀態(tài)的權(quán)重矩陣、連接LSTM單元和輸出門的權(quán)值矩陣;bf、bi、bc和bo為偏置向量。LSTM網(wǎng)絡(luò)在處理序列數(shù)據(jù)時，只能訪問過去的上下文信息，忽略了將來的上下文信息。因此為了有助于發(fā)現(xiàn)重復(fù)的LDDoS攻擊序列，使用BiLSTM神經(jīng)網(wǎng)絡(luò)序列數(shù)據(jù)的學(xué)習(xí)能力，設(shè)計一種基于BiLSTM神經(jīng)網(wǎng)絡(luò)模型的分類器。BiLSTM神經(jīng)網(wǎng)絡(luò)由前向LSTM和后向LSTM循環(huán)網(wǎng)絡(luò)組成，它們的輸入相同，信息傳遞的方向不同。BiLSTM使用LSTM單元對輸入的序列分別計算，得到前向和后向不同隱含層的結(jié)果。BiLSTM的基本模型結(jié)構(gòu)如圖3所示。

LSTM網(wǎng)絡(luò)在處理序列數(shù)據(jù)時，只能訪問過去的上下文信息，忽略了將來的上下文信息。因此為了有助于發(fā)現(xiàn)重復(fù)的LDDoS攻擊序列，使用BiLSTM神經(jīng)網(wǎng)絡(luò)序列數(shù)據(jù)的學(xué)習(xí)能力，設(shè)計一種基于BiLSTM神經(jīng)網(wǎng)絡(luò)模型的分類器。BiLSTM神經(jīng)網(wǎng)絡(luò)由前向LSTM和后向LSTM循環(huán)網(wǎng)絡(luò)組成，它們的輸入相同，信息傳遞的方向不同。BiLSTM使用LSTM單元對輸入的序列分別計算，得到前向和后向不同隱含層的結(jié)果。BiLSTM的基本模型結(jié)構(gòu)如圖3所示。從圖3可知，BiLSTM模型分類器接受REFCV提取的特征向量序列，作為時間t步長的輸入，將前向LSTM輸出的特征向量序列與后向LSTM的特征向量序列在t時刻進行向量拼接得到完整的特征向量序列:

【參考文獻】：
期刊論文
[1]基于CNN和BiLSTM網(wǎng)絡(luò)特征融合的文本情感分析[J]. 李洋,董紅斌.  計算機應(yīng)用. 2018(11)
[2]低速率拒絕服務(wù)攻擊研究與進展綜述[J]. 文坤,楊家海,張賓.  軟件學(xué)報. 2014(03)
[3]基于擁塞參與度的分布式低速率DoS攻擊檢測過濾方法[J]. 張長旺,殷建平,蔡志平,祝恩,程杰仁.  計算機工程與科學(xué). 2010(07)
[4]一種基于小波特征提取的低速率DoS檢測方法[J]. 何炎祥,曹強,劉陶,韓奕,熊琦.  軟件學(xué)報. 2009(04)
[5]基于卡爾曼濾波的LDDoS攻擊檢測方法[J]. 吳志軍,岳猛.  電子學(xué)報. 2008(08)



本文編號：3113339