[發明專利]一種基于深度學習的邊緣計算環境下的DDos檢測方法

在審

• 申請號: 202211453973.1
• 申請日: 2022-11-21
• 公開（公告）號: CN115712972A
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 彭京;葛城;張海超;田婷;牛新征;張鳳荔;虞延坤
• 申請（專利權）人: 四川省公安科研中心;電子科技大學
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06F119/02
• 代理公司: 成都正煜知識產權代理事務所(普通合伙) 51312
• 代理人: 李龍

本發明屬于網絡安全領域，提供了一種基于深度學習的邊緣計算環境下的DDos檢測方法。主旨在于解決因為邊緣節點算力受限、存儲空間小、網絡波動大的環境問題，無法部署應用的問題。主要方案包括搭建了預處理層，對輸入的網絡流量數據依次進行過濾臟數據、歸一化處理、攻擊類型標簽統計分析，利用Smote算法上采樣稀疏類、對稠密類進行下采樣以此平衡標簽類別；模型構建；將預處理后的網絡流量數據劃分得到訓練集和測試集，通過訓練集和測試集輸入到模型中進行訓練，得到訓練好的模型；將訓練好的模型部署到邊緣節點中，搜集節點中的網絡流量數據，使用預處理層來處理流量數據后送入部署的模型進行實時DDos預測。

技術領域

本發明屬于網絡安全、邊緣計算和人工智能領域，提供了一種基于深度學習的邊緣計算環境下的DDos檢測方法。

背景技術

邊緣計算作為一種用于降低中心節點計算壓力，更靠近終端設備和數據源頭的新計算范式，滿足了計算業務下沉的需求，也帶來了安全問題；其中，對邊緣計算安全威脅最大、造成過巨大經濟損失和安全事故的當屬分布式拒絕服務攻擊(DDos)；邊緣計算環境下由于算力受限、存儲空間有限等原因，傳統的防御手段難以應用，因此提出一種適應邊緣計算環境的輕量級DDos檢測算法有十分重要的現實意義。

隨著物聯網技術和云端理念愈發成熟，以往的云計算和霧計算不能滿足日益增長的計算業務下沉需求，為了減小中心節點的計算壓力，更多地利用邊緣節點的算力和存儲資源，邊緣計算應孕而生。邊緣計算無限接近終端設備，能夠實時地接收來自數據源頭的信息，是一種解決計算、存儲卸載問題的計算范式，它作為云計算的擴展，彌補了中心化的缺點，實現了高連續性和低時延性，更適合部署實時性高的智能化任務。隨著邊緣計算的應用部署，隨之衍生出了與之相關的網絡安全和攻擊防御等問題。分布式拒絕服務攻擊(DDos)是一種隱蔽性高的大型分布式網絡攻擊，攻擊者可以組建分布式僵尸網絡發起攻擊，通常情況下，攻擊者會偽造源IP，這使得攻擊極具隱蔽性，檢測攻擊也更加困難。邊緣計算下的物聯網設備往往難以防御DDos攻擊，一些典型的DDos攻擊案例，比如Mirai僵尸網絡對KrebsOnSecurity的攻擊和Dyn攻擊，產生了巨大的經濟損失和安全威脅。由于物聯網設施的連通性和開放性增加，整個物聯網的受攻擊面也因此擴展。邊緣節點計算能力和存儲空間受限且缺乏有效的安全保護，從而非常容易受到DDos攻擊。

傳統的防御和檢測技術難以適用于邊緣節點上，雖然邊緣節點能夠隔絕大部分來自于網絡邊緣的數據且能在第一時間檢測到并攔截最近的DDos攻擊，但是部署現有的基于云端的DDos檢測方式難以滿足邊緣節點的需求，這種解決方案通常沒有考慮到邊緣節點算力受限、存儲空間小、網絡波動大等特點。所以有必要設計一種基于邊緣計算環境下的輕量級的DDos攻擊檢測方案，以此來克服檢測準確率低、誤報率高、時延長、算力和存儲能力不足等問題。

最近，網絡安全領域也開始采用在圖像、語言領域大放異彩的深度學習來解決一些棘手的安全問題。深度學習是機器學習領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能。深度學習是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數據的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。深度學習是一個復雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術。深度學習技術和網絡安全領域的結合為一些棘手的問題提供了新的解決思路。