針對傳統(tǒng)機器學習算法在分布式拒絕服務攻擊檢測中存在檢測時間過長、控制器負載過大等缺點,提出基于混沌理論模型下分布式拒絕服務攻擊流量預測算法.首先,收集正常數(shù)據(jù)包和流表信息,當異常流表信息進入系統(tǒng)時,若初始狀態(tài)之間存在微小差異,初始位置的運動狀態(tài)軌跡會以指數(shù)速率分離;根據(jù)Lyapunov指數(shù)的取值范圍判斷進入系統(tǒng)的數(shù)據(jù)和流信息是否合法,若判斷為異常流信息,立即清除.實驗結果表明,提出的研究思路對攻擊流信息敏感度較高,對分布式拒絕服務攻擊的檢測率、準確率、誤報率相較于傳統(tǒng)機器學習算法和統(tǒng)計分析算法有明顯的提高. 

【文章頁數(shù)】：6 頁

【文章目錄】：
1 設計思想與數(shù)據(jù)準備
    1.1 基于SDN網絡環(huán)境的DDoS攻擊檢測模型
    1.2 數(shù)據(jù)包和流表信息收集模塊
    1.3 重構數(shù)據(jù)集相空間
    1.4 混沌理論模型分析
2 實驗驗證
    2.1 實驗環(huán)境
    2.2 結果對比分析
        1) 檢測率(DR):
        2) 準確度(ACC):
        3) 誤報率(FAR):
3 結論


【參考文獻】：
期刊論文
[1]SDN下基于深度學習混合模型的DDoS攻擊檢測與防御[J]. 李傳煌,吳艷,錢正哲,孫正君,王偉明.  通信學報. 2018(07)
[2]SDN環(huán)境下基于BP神經網絡的DDoS攻擊檢測方法[J]. 王曉瑞,莊雷,胡穎,王國卿,馬丁,景晨凱.  計算機應用研究. 2018(03)
[3]SDN環(huán)境下基于KNN的DDoS攻擊檢測方法[J]. 肖甫,馬俊青,黃洵松,王汝傳.  南京郵電大學學報(自然科學版). 2015(01)
[4]基于重采樣的混沌時間序列相空間重構研究[J]. 李夕海,劉代志,張斌,翟為剛.  信號處理. 2006(02)



本文編號：3696010