SDN中基于深度學習混合模型的DDOS攻擊檢測與防御技術研究.pdf

1、分布式拒絕服務(DDoS)儼然成為網(wǎng)絡安全方面最為棘手的問題之一?，F(xiàn)有的DDoS攻擊檢測與防御方法存在著檢測時延長，檢測精度低，誤報率較高等問題，并且對于新類型的DDoS攻擊束手無策。
　　SDN（Software Defined Network，軟件定義網(wǎng)絡）是一種發(fā)展?jié)摿薮蟮男滦途W(wǎng)絡架構，它的核心思想是轉發(fā)與控制分離，將智能集中到控制器上進行集中控制。雖然SDN解決了傳統(tǒng)網(wǎng)絡的諸多隱患，但作為一個新興的技術，SDN還存在許多

2、的問題。其中，安全性問題是重要問題之一。SDN架構內部的安全隱患主要有SDN協(xié)議的不完善等，外部安全隱患主要有DDoS攻擊等，并且從技術角度上考慮，發(fā)起DDoS攻擊很容易，但是防御DDoS攻擊的方法的有效性較低。
　　本文針對SDN中的安全性問題進行研究，提出了一種SDN中基于深度學習混合模型(DCNN-DSAE)的DDoS攻擊檢測方法，以提高模型對SDN中網(wǎng)絡流量分類的準確性。其中，DCNN-DSAE模型的第一級采用的是基于卷積

3、神經(jīng)網(wǎng)絡的C3P2F2模型，第二級采用的是基于堆棧自編碼的SAE4模型。DCNN-DSAE模型不僅可以提高分類檢測的精度，還可以縮短分類檢測的處理時間，從而有效地緩解了SDN網(wǎng)絡中的DDoS攻擊效應，避免資源耗盡。
　　本文將DDoS攻擊檢測模塊部署在控制平面，開發(fā)了一套基于深度學習混合模型的攻擊檢測防御系統(tǒng)，它既可用于數(shù)據(jù)平面的DDoS攻擊檢測，又可用于控制平面的DDoS攻擊檢測。最后，通過不同類型的DDoS攻擊實驗，驗證了檢測