基于多核学习的自适应 DDoS 攻击检测方法
密码学与安全
2019-05-21 v1
摘要
分布式拒绝服务(DDoS)攻击给社会造成了巨大的经济损失，已成为互联网安全的主要威胁之一。当前大多数基于单一特征和固定模型参数的检测方法无法有效检测云和大数据环境下的早期 DDoS 攻击。本文提出一种基于多核学习(MKL)的自适应 DDoS 攻击检测方法(ADADM)。基于 DDoS 攻击流的突发性、地址分布和通信交互性，我们定义五个特征来描述网络流特性。基于集成学习框架，通过梯度上升增大类间均值、梯度下降减小类内方差来自适应调整各维权重，并训练具有类间均值平方差增长(M-SMKL)和类内方差下降(S-SMKL)两个特征的简单多核学习(SMKL)模型建立分类器以识别早期 DDoS 攻击。采用滑动窗口机制协调 S-SMKL 与 M-SMKL 检测早期 DDoS 攻击。实验结果表明，该方法能够早期、准确地检测 DDoS 攻击。
引用
@article{arxiv.1905.07893,
title = {Adaptive DDoS attack detection method based on multiple-kernel learning},
author = {Jieren Cheng and Chen Zhang and Xiangyan Tang and Victor S. Sheng and Zhe Dong and Junqi Li and Jing Chen},
journal= {arXiv preprint arXiv:1905.07893},
year = {2019}
}