基于混合深度学习的多类型低速率DDoS攻击检测方法

最新推荐文章于 2024-07-12 16:14:40 发布

米朵儿技术屋

最新推荐文章于 2024-07-12 16:14:40 发布

阅读量551

点赞数

分类专栏：大数据与数字化的设计应用专栏文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/weixin_70923796/article/details/126341716

版权

大数据与数字化的设计应用专栏专栏收录该内容

65 篇文章 2 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

本文提出了一种基于混合深度学习的多类型低速率DDoS攻击检测方法，通过CNN-RF算法实现对Slow Headers、Slow Body、Slow Read和Shrew攻击的在线检测。实验表明，该方法在120 s时间窗口下，错误拦截率为11.03%，恶意流量检测率达到96.22%，显著提高了检测准确性。

摘要由CSDN通过智能技术生成

摘要

低速率分布式拒绝服务攻击针对网络协议自适应机制中的漏洞实施攻击，对网络服务质量造成了巨大威胁，具有隐蔽性强、攻击速率低和周期性的特点。现有检测方法存在检测类型单一和识别精度低的问题，因此提出了一种基于混合深度学习的多类型低速率 DDoS 攻击检测方法。模拟不同类型的低速率DDoS 攻击和 5G 环境下不同场景的正常流量，在网络入口处收集流量并提取其流特征信息，得到多类型低速率DDoS攻击数据集；从统计阈值和特征工程的角度，分别分析了不同类型低速率DDoS攻击的特征，得到了40维的低速率DDoS攻击有效特征集；基于该有效特征集采用CNN-RF混合深度学习算法进行离线训练，并对比该算法与LSTM-LightGBM和LSTM-RF算法的性能；在网关处部署CNN-RF检测模型，实现了多类型低速率DDoS攻击的在线检测，并使用新定义的错误拦截率和恶意流量检测率指标进行了性能评估。结果显示，在120 s的时间窗口下，所提方法能够在线检测出4种类型的低速率DDoS攻击，包括Slow Headers攻击、Slow Body 攻击、Slow Read 攻击和 Shrew 攻击，错误拦截率达到 11.03%，恶意流量检测率达到 96.22%。结果表明，所提方法能够显著降低网络入口处的低速率DDoS攻击流量强度，并在实际环境中部署和应用。

关键词： 多类型 ; 低速率DDoS攻击