MFFLR-DDoS:一种加密的LR-DDoS攻击检测方法,基于SDN中的多颗粒度特征融合

科学领域:

• 网络安全 网络安全
• 网络安全 网络安全
• 应用计算机科学 应用计算机科学

背景情况:

• 低速分布式拒绝服务 (LR-DDoS) 攻击利用HTTP协议漏洞,导致长时间的服务器线程占用并破坏合法用户访问.
• 传统的入侵检测系统难以检测LR-DDoS攻击,特别是加密的HTTP流量,因为它们的请求量低,速度慢.
• 软件定义网络 (SDN) 为网络管理和安全执法提供了灵活的架构.

研究的目的:

• 提出和评估一种用于在SDN环境中检测和减轻加密LR-DDoS攻击的新方法.
• 为了提高检测准确度和实时响应能力,针对复杂的LR-DDoS威胁.
• 为了提高网络安全,利用多细分特征融合和深度学习来提高网络安全.

主要方法:

• 开发了针对SDN量身定制的LR-DDoS (MFFLR-DDoS) 检测和缓解方法的多细分特征融合.
• 通过检查数据包时间序列和会话空间性来分析加密的会话流.
• 利用各种深度学习技术来提取特征,以识别异常的交通模式.
• 通过SDN控制器发布的流程规则实现实时防御机制.

主要成果:

• 与现有的先进方法相比,MFFLR-DDoS模型显示了明显更高的检测率.
• 提出的方法成功地在实时中缓解了LR-DDoS攻击流量.
• 从多颗粒度数据中有效地提取特征,提高了异常流量检测的准确性.

结论:

• 该MFFLR-DDoS方法提供了一种有效的解决方案,用于检测和减轻SDN网络中对加密流量的隐形LR-DDoS攻击.
• 多细分特征和深度学习的融合显著提高了检测能力.
• SDN架构使得对LR-DDoS攻击进行有效的实时在线防御.