【技术实现步骤摘要】
本专利技术涉及计算机网络安全，具体地说，特别涉及一种集成多模型区块链ddos攻击检测分类方法及系统。
技术介绍
1、区块链技术作为一个分布式账本，具有去中心化、透明、可追溯等优点，正在深刻影响各行各业。然而，由于其公开透明的特性，区块链网络也面临各类网络攻击的威胁，尤其是ddos攻击。ddos攻击意在淹没目标服务器的资源，使其无法正常工作。近年来，针对加密货币交易所等区块链节点的ddos攻击事件屡见不鲜。
2、目前，常用的ddos攻击防御措施包括流量清洗、应用层防护等。但区块链网络中的ddos攻击日趋复杂多变，攻击类型激增，传统防护手段的效果有限。此外，由于区块链网络的分布式特性，各节点独立工作，信息共享困难，使得ddos攻击检测和防御更具挑战性。
3、现有的ddos攻击防御技术存在以下问题:1)依赖单一检测模型，效果容易受限；2)缺乏对新型攻击的适应能力；3)分布式节点间信息共享不畅，降低了检测效果。为有效应对区块链网络中的ddos攻击威胁，迫切需要一种更加智能化和协同化的新型ddos攻击检测与防御技术。
技术实现思路
1、为了解决现有技术的问题，本专利技术实施例提供了一种集成多模型区块链ddos攻击检测分类方法及系统。所述技术方案如下：
2、一方面，提供了一种集成多模型区块链ddos攻击检测分类方法，包括:
3、采集区块链网络流量数据，按照预定类别标注数据，建立数据集；
4、选择多种机器学习和深度学习模型，包括门控循环
5、分别针对各模型使用所述数据集进行模型训练，得到多个检测与分类模型；接收区块链网络流量，输入到各个检测与分类模型进行预测，得到各模型的预测结果；
6、计算各模型在当前批次样本上的预测准确率，根据预设阈值调整各模型的权重；结合各模型预测结果及其权重，利用优化软投票算法得到流量是否为ddos攻击的检测结果及攻击类别。
7、进一步地，所述针对各模型使用所述数据集进行模型训练具体包括:
8、构建包括正常流量和7种ddos攻击流量的数据集；
9、分别针对gru模型、cnn模型、lstm模型、dnn模型和svm模型，设计网络模型结构、选择损失函数和优化算法；
10、使用训练集训练各个模型，得到检测与分类的gru模型、cnn模型、lstm模型、dnn模型和svm模型。
11、进一步地，所述计算各模型在当前批次样本上的预测准确率具体包括:将测试数据集按照时间顺序分批输入到各个模型；对每个模型在该批次样本上的检测与分类结果，计算预测准确率；若预测准确率高于预设阈值，保持该模型权重不变；若预测准确率低于预设阈值，则将该模型权重设置为0。
12、进一步地，所述结合各模型预测结果及其权重，利用优化软投票算法得到检测与分类结果具体包括:
13、计算各模型对当前批次样本的预测概率；
14、根据各模型的预测概率和权重，计算加权平均概率作为最终预测结果；
15、重复多次迭代计算，优化各模型权重，使最终预测结果达到最佳。
16、进一步地，所述优化各模型权重具体通过以下步骤实现:
17、定义目标函数为预测准确率，约束条件为各模型权重之和等于1；
18、利用scipy的最小化函数，搜索各模型权重的最优解，使准确率最大化。
19、进一步地，所述区块链网络流量包括以太坊区块链网络流量。
20、进一步地，所述ddos攻击类别包括ldap攻击、mssql攻击、netbios攻击、portmap攻击、syn攻击、udp攻击和udplag攻击。
21、另一方面，提供了一种集成多模型区块链ddos攻击检测分类系统，包括:
22、流量捕获模块，用于采集区块链网络流量；
23、流量解析模块，用于解析网络流量，提取特征；
24、集成检测模块，包含多个检测与分类模型，用于对流量进行检测与分类；
25、自适应调度模块，用于根据各模型的预测精度动态调整其权重；
26、决策模块，基于集成检测结果，利用优化软投票法输出最终检测与分类结果。
27、进一步地，还包括:
28、训练模块，用于使用标注数据集提前训练所述的多个检测与分类模型。
29、进一步地，所述的多个检测与分类模型包括gru模型、cnn模型、lstm模型、dnn模型和svm模型。
30、本专利技术实施例提供的技术方案带来的有益效果是：
31、采用多模型集成方法，提高了ddos攻击检测的准确性和鲁棒性，克服了单一模型的局限性，增强了对复杂攻击的适应能力。
32、通过动态调整各个模型的权重，实现自适应优化，使系统可以实时优化，适应区块链网络的动态变化。
33、分布式节点自主运行各模型并协同工作，既省去中心节点，又实现信息共享，有效提升分布式环境下的攻击检测能力。
34、软投票法综合各模型结果，综合判断攻击类型，并可以优化得到最佳权重，显著提高了分类准确率。
35、实验结果示范了该技术的有效性，检测准确率可达99.71％，分类准确率可达87.62％，明显优于单模型。
36、该技术能够有效检测和分类区块链网络中的ddos攻击，为区块链网络ddos攻击防御提供了一种高效可行的解决方案。
本文档来自技高网...【技术保护点】
1.一种集成多模型区块链DDoS攻击检测分类方法，其特征在于，包括:
2.根据权利要求1所述的方法，其特征在于，所述针对各模型使用所述数据集进行模型训练具体包括:
3.根据权利要求1所述的方法，其特征在于，所述计算各模型在当前批次样本上的预测准确率具体包括:
4.根据权利要求1所述的方法，其特征在于，所述结合各模型预测结果及其权重，利用优化软投票算法得到检测与分类结果具体包括:
5.根据权利要求4所述的方法，其特征在于，所述优化各模型权重具体通过以下步骤实现:
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述区块链网络流量包括以太坊区块链网络流量。
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述DDoS攻击类别包括LDAP攻击、MSSQL攻击、NetBIOS攻击、Portmap攻击、Syn攻击、UDP攻击和UDPLag攻击。
8.一种基于权利要求1-7中任一项所述方法的区块链DDoS攻击检测系统，其特征在于，包括:
9.根据权利要求8所述的系统，其特征在于还包括:
10.根据权利要求8所述的系统，其特征在于，所述的多个检测与分类模型包括GRU模型、CNN模型、LSTM模型、DNN模型和SVM模型。
...【技术特征摘要】
1.一种集成多模型区块链ddos攻击检测分类方法，其特征在于，包括:
2.根据权利要求1所述的方法，其特征在于，所述针对各模型使用所述数据集进行模型训练具体包括:
3.根据权利要求1所述的方法，其特征在于，所述计算各模型在当前批次样本上的预测准确率具体包括:
4.根据权利要求1所述的方法，其特征在于，所述结合各模型预测结果及其权重，利用优化软投票算法得到检测与分类结果具体包括:
5.根据权利要求4所述的方法，其特征在于，所述优化各模型权重具体通过以下步骤实现:
6.根据权利要求1-5中任一项所述的方法，其特...
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。