【技术实现步骤摘要】
基于LSTM预测模型的DDoS攻击检测方法及装置
本专利技术涉及网络通信技术
，特别涉及一种基于LSTM预测模型的DDoS攻击检测方法及装置。
技术介绍
分布式拒绝服务(DistributedDenialofService，简称DDoS)攻击是目前黑客经常采用并且难以防范的攻击手段。近年来随着电子加密虚拟货币的快速发展和物联网设备的持续增加，DDoS攻击方式更趋于多样化，对因特网的安全产生了巨大的威胁。现有技术中，ZhengY等人从数据包级和会话级进行分析，提出了一种基于PCC时间序列的检测算法，但此检测方法不能够很好地区分DDoS攻击和flashcrowd事件，导致误报率较高。NezhadSMT等人基于ARIMA时间序列模型和计算机网络中的混沌系统，提出了一种DoS和DDoS攻击检测的算法，但该方法只是使用了一定数量的数据包和源IP地址信息，使用报文信息较少且只能检测类型单一的DDoS攻击。AndrysiakT等人利用条件变分法来优化时间序列模型参数以检测DDoS攻击，该检测方法在一定程度上提高DDoS攻击的检测率，但其算法复杂度较高，使其检测结果存在一定...
【技术保护点】
1.一种基于LSTM预测模型的DDoS攻击检测方法，其特征在于，所述方法包括：对正常网络流量按照一定的取样周期进行n次取样，计算得到n个正常网络的IP数据包统计特征值，其中n∈N；根据n个所述正常网络的IP数据包统计特征值，对待训练的LSTM预测模型进行训练；使用网格搜索和超参数最优法确定选择性丢弃神经元的概率Dropout＝0.2，来修正所述LSTM预测模型，缓解过拟合现象；根据修正后的所述LSTM预测模型，计算未来某个时段的IP数据包统计特征值的预测值；根据所述预测值，判断当前网络是否发生DDoS攻击。
【技术特征摘要】
1.一种基于LSTM预测模型的DDoS攻击检测方法，其特征在于，所述方法包括：对正常网络流量按照一定的取样周期进行n次取样，计算得到n个正常网络的IP数据包统计特征值，其中n∈N；根据n个所述正常网络的IP数据包统计特征值，对待训练的LSTM预测模型进行训练；使用网格搜索和超参数最优法确定选择性丢弃神经元的概率Dropout＝0.2，来修正所述LSTM预测模型，缓解过拟合现象；根据修正后的所述LSTM预测模型，计算未来某个时段的IP数据包统计特征值的预测值；根据所述预测值，判断当前网络是否发生DDoS攻击。2.如权利要求1所述的方法，其特征在于，所述LSTM预测模型包括忘记门、输入门、输出门、状态单元及输出结果，分别通过以下公式计算获得：it＝σ(Wi[ht-1，Xt]+bi)ft＝σ(Wf[ht-1，Xt]+bf)ot＝σ(Wo[ht-1，Xt]+bo)ht＝ot*tanh(Ct)其中，it表示输入门，ft表示忘记门，ot表示输出门，ct表示状态单元，Wi是输入门的权重矩阵，bi是输入门的偏置项，Wf表示忘记门的权重矩阵，bf是忘记门的偏置项，Wo是输出门的权重矩阵，bo是输出门的偏置项，门激活函数为sigmoid(σ)，其值域是(0，1)，输出的激活函数为tanh函数。3.如权利要求1所述的方法，其特征在于，所述根据修正后的所述LSTM预测模型，计算未来某个时段的IP数据包统计特征值的预测值的步骤包括：根据n个所述正常网络的IP数据包统计特征值，利用静态预测的方法，计算第n+1个所述IP数据包统计特征值的预测值；根据n个所述正常网络的IP数据包统计特征值及每个所述IP数据包统计特征值的预测值，计算下一个所述预测的IP数据包统计特征值。4.如权利要求1所述的方法，其特征在于，所述根据所述预测值，判断当前网络是否发生DDoS攻击的步骤包括：统计所述正常网络的IP数据包统计特征值的区间为[a，b]，统计所述预测的IP数据包统计特征值的区间为[c，d]；计算所述预测的IP数据包统计特征值与所述正常网络的IP数据包统计特征值的平均误差Ave；获取所述预测的IP数据包统计特征值区间[c，d]的最大值Max；根据所述平均误差Ave和所述最大值Max，计算所述误差阈值U＝Max+Ave；计算当前网络的IP数据包统计特征值与对应的所述预测的IP数据包统计特征值的偏差；将所述偏差与所述阈值进行比较，来判断当前网络是否发生DDoS攻击：若所述偏差大于所述阈值，当前网络发生DDoS攻击；若所述偏差小于所述阈值，当前网络未发生DDoS攻击。5.如权利要求1-4任一项权利要求所述的方法，其特征在于，所述IP数据包统计特征值的计算公式为：IPDCF＝∑{Packet}Δt其中，Packet为IP数据包的个数，Δt为所述...
【专利技术属性】
技术研发人员：程杰仁，唐湘滟，黄梦醒，罗逸涵，
申请(专利权)人：海南大学，
类型：发明
国别省市：海南,46
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。