关键词:
计算机网络
应用层
DDoS攻击
安全检测
多层次用户行为
特征提取
降维算法
摘要:
近年来,应用层DDoS攻击日益猖獗。尽管目前已有一些应用层DDoS攻击检测方法取得了一定进展,但由于采用的单层次特征提取技术存在一定的片面性和主观性,使得其只能检测某几种特定类型的应用层DDoS攻击,且难以在由多种应用层DDoS攻击组成的混合攻击中保持较高的检测精确率。此外,实际应用中无法获取大量的标记数据集和样本均衡的数据集,使得有监督的检测模型难以充分地训练。因此,本文提出了一种基于多层次用户行为差异的应用层DDoS攻击检测方法,该方法利用多层次用户行为特征提取技术和基于特征评估的降维算法,解决了单一层次特征提取带来的片面性以及人工选取特征带来的主观性,且该方法利用基于WGAN-GP的半监督模型缓解了因标记样本不足和样本分布不均衡给模型性能带来的影响。具体而言,本文的研究内容主要包括: (1)针对现有检测技术采用的单层次特征提取方法存在的片面性和主观性问题,本文提出一种基于多层次用户行为差异的检测方法。该方法首先基于网络流量的数据包层(Packet)、流层(Flow)和会话层(Stream)深入分析正常用户与攻击用户之间存在的行为差异,然后分别从这些层次刻画用户的行为特征,并利用基于随机森林的特征评估算法对提取的高维特征进行评估和排序,并结合本文提出基于特征评估的降维算法(Feature Dimensionality Reduction Based On Feature Evaluation,FDRFE)对高维度特征进行降维。最后通过CSE-CIC-IDS 2018数据集的DDoS攻击部分对本文方法进行验证,实验结果表明,相较于现有基于单层次特征的检测方法,精确率提高了 5.1%,误报率降低了 3.62%。 (2)针对现有检测方法中缺乏大量带标签和黑白样本平衡的数据集而导致的模型训练难的问题,本文提出一种基于WGAN-GP的半监督检测模型。该模型利用自身快速收敛和稳定性强的特点生成大量高质量的黑样本,并借助这些生成的样本和未标记的真实样本来训练在少量标记数据上获得的分类器。最终实验结果表明,该模型仅使用50%的标记数据即可实现90.45%的精确率,高于基于SEMI-DCGAN模型的85.64%,且接近使用100%标记数据的CNN模型的 91.40%。 (3)最后,本文设计并开发基于多层次用户行为差异的应用层DDoS攻击检测系统,并通过CICDDoS2019入侵检测数据集中的DDoS攻击部分系统进行实验分析。通过实验证明,基于多层次用户行为差异的检测系统可以在多种应用层DDoS组成的混合攻击中保持较高的精确率和较低的误报率,最高精确率可达94.08%,最低误报率可降至5.31%。