[發(fā)明專利]一種基于PCA-SVM算法的慢速拒絕服務(wù)攻擊檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910920902.X
• 申請(qǐng)日: 2019-09-27
• 公開（公告）號(hào): CN110661802A
• 公開（公告）日: 2020-01-07
• 發(fā)明（設(shè)計(jì)）人: 湯澹;張冬朔;代銳;陳靜文;王曦茵;嚴(yán)裕東;唐柳
• 申請(qǐng)（專利權(quán)）人: 湖南大學(xué)
• 主分類號(hào): H04L29/06
• 分類號(hào): H04L29/06
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于PCA-SVM算法的慢速拒絕服務(wù)(LDoS)攻擊檢測(cè)方法，其特征在于，所述慢速拒絕服務(wù)攻擊檢測(cè)方法包括以下幾個(gè)步驟：

步驟1、數(shù)據(jù)采樣：對(duì)網(wǎng)絡(luò)中某一時(shí)間段內(nèi)的數(shù)據(jù)流量信息進(jìn)行實(shí)時(shí)采樣，得到原始的訓(xùn)練集和測(cè)試集；

步驟2、處理數(shù)據(jù)：從得到的原始流量數(shù)據(jù)集中提取TCP流量，通過(guò)時(shí)間片劃定得到原始樣本矩陣，并完成對(duì)各時(shí)間片的標(biāo)簽設(shè)置；

步驟3、特征選擇：基于主成分分析法(PCA)對(duì)原始樣本矩陣進(jìn)行特征選擇，提取出對(duì)分類最有益的特征得到主成分樣本矩陣；

步驟4、模型訓(xùn)練：基于支持向量機(jī)(SVM)算法對(duì)經(jīng)過(guò)特征提取的訓(xùn)練集和訓(xùn)練集標(biāo)簽進(jìn)行訓(xùn)練，得到分類模型；

步驟5、分類檢測(cè)：首先對(duì)待檢測(cè)的網(wǎng)絡(luò)流量測(cè)試集重復(fù)步驟2和步驟3得到主成分樣本矩陣，根據(jù)訓(xùn)練得到的分類模型，對(duì)測(cè)試集的主成分樣本矩陣進(jìn)行分類檢測(cè)，由分類得到的標(biāo)簽值即可判定該網(wǎng)絡(luò)中是否存在慢速拒絕服務(wù)攻擊。

2.根據(jù)權(quán)利要求1中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟1中按照相等的時(shí)間間隔對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)流量信息進(jìn)行實(shí)時(shí)采樣，對(duì)某一時(shí)間段內(nèi)采樣得到的網(wǎng)絡(luò)數(shù)據(jù)流量進(jìn)行記錄，形成原始的訓(xùn)練集和測(cè)試集。

3.根據(jù)權(quán)利要求1中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟2中對(duì)于步驟1獲取的原始流量數(shù)據(jù)集，首先提取其中的TCP流量，以大于采樣時(shí)間的相等時(shí)間間隔(即時(shí)間片)對(duì)TCP流量的采樣值進(jìn)行劃分，得到原始樣本矩陣，并通過(guò)標(biāo)簽標(biāo)記訓(xùn)練集中的每個(gè)時(shí)間片的特征。

4.根據(jù)權(quán)利要求1中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟3中對(duì)于步驟2中計(jì)算獲得原始樣本矩陣，基于主成分分析法提取矩陣特征以得到主成分樣本矩陣，包括三個(gè)步驟：

步驟3.1、將TCP流量構(gòu)造的原始樣本矩陣進(jìn)行標(biāo)準(zhǔn)化處理；

步驟3.2、建立協(xié)方差矩陣，計(jì)算特征值和特征向量；

步驟3.3、計(jì)算貢獻(xiàn)率，選取貢獻(xiàn)率之和大于某個(gè)閾值的主成分計(jì)算主成分樣本矩陣。

5.根據(jù)權(quán)利要求4中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟3.1中矩陣標(biāo)準(zhǔn)化的定義為：為防止原始數(shù)據(jù)中TCP流量差值過(guò)大，將樣本矩陣轉(zhuǎn)化為每個(gè)時(shí)間片均值為0，方差為1的標(biāo)準(zhǔn)化樣本矩陣。

6.根據(jù)權(quán)利要求4中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟3.2中特征值和特征向量的計(jì)算方式為：先計(jì)算標(biāo)準(zhǔn)化樣本矩陣不同維度之間的協(xié)方差得到協(xié)方差矩陣，再用特征值分解方法求協(xié)方差矩陣的特征值和特征向量。

7.根據(jù)權(quán)利要求4中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟3.3中主成分樣本矩陣的計(jì)算方式為：計(jì)算各個(gè)主成分的貢獻(xiàn)率和累計(jì)貢獻(xiàn)率之和，選取前k個(gè)主成分使得其貢獻(xiàn)率之和大于某一閾值以避免原始數(shù)據(jù)中信息的丟失，計(jì)算標(biāo)準(zhǔn)化樣本矩陣在k個(gè)主成分上的投影得到新的主成分樣本矩陣。

8.根據(jù)權(quán)利要求1中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟4中對(duì)于步驟3中計(jì)算獲得的訓(xùn)練集主成分樣本矩陣和訓(xùn)練集標(biāo)簽，需要構(gòu)造一個(gè)非線性函數(shù)，將樣本矩陣映射到高維特征空間，并利用最大化分類邊際的思想劃分最優(yōu)分類面，從而訓(xùn)練得到?jīng)Q策函數(shù)作為分類模型。

9.根據(jù)權(quán)利要求1中所述的慢速拒絕服務(wù)攻擊檢測(cè)方法，其特征在于，步驟5中根據(jù)步驟4中計(jì)算得到的分類模型對(duì)待檢測(cè)的某時(shí)間段內(nèi)網(wǎng)絡(luò)中的流量數(shù)據(jù)集進(jìn)行分類檢測(cè)。首先對(duì)該測(cè)試集進(jìn)行步驟2的數(shù)據(jù)處理和步驟3的特征選擇得到主成分樣本矩陣，然后對(duì)于該主成分樣本矩陣中的每個(gè)時(shí)間片利用決策函數(shù)進(jìn)行特征映射，若分類得到的標(biāo)簽值為1則判定該時(shí)間片存在慢速拒絕服務(wù)攻擊，標(biāo)簽值為0則判定該時(shí)間片不存在慢速拒絕服務(wù)攻擊。