10、基于互逆点学习的未知DDoS攻击检测

基于互逆点学习的未知DDoS攻击检测

1. 引言

在当今数字化时代，互联网服务已成为日常生活中不可或缺的一部分。尤其是新冠疫情爆发后，远程工作、虚拟会议和在线活动等在线服务的需求急剧增加，进一步加速了这一趋势。然而，对互联网的高度依赖也使我们面临着各种网络威胁，其中分布式拒绝服务（DDoS）攻击已成为一个严重的问题。

DDoS攻击通过利用被攻陷设备组成的僵尸网络，向目标系统发送大量流量，消耗其资源和带宽，导致合法用户无法正常访问。为了应对DDoS攻击，研究人员提出了多种防御机制，其中基于机器学习（ML）的入侵检测系统（IDS）取得了不错的效果。但大多数现有的基于ML的IDS主要关注已知的攻击特征，当遇到未知特征的攻击时，其准确性会大幅下降。

为了克服这一局限性，研究人员提出了开放集识别（OSR）的概念，通过改进深度学习方法来识别未知模式。本文提出了一种基于OSR的新型IDS模型，用于检测未知DDoS攻击。该模型结合了U-Net和互逆点学习（RPL），检测率约为99%，能够成功识别已知和未知的DDoS攻击，同时还能处理数据不平衡的情况。

2. 相关工作

2.1 DDoS攻击

DDoS攻击中，攻击者利用僵尸网络向目标网站或服务发送大量流量，使服务器不堪重负，导致系统崩溃或无法访问。相关研究对DDoS攻击类型和防御机制进行了分类和概述，防御机制包括过滤、速率限制和入侵预防系统等。DDoS攻击可针对任何在线服务或网站，会给企业和组织带来重大损失，包括财务损失、声誉损害甚至法律后果。

2.2 开放集识别

开放集识别（OSR）旨在解决分类任务中未知数据的问题。传统的封闭集训练模型仅