[发明专利]一种基于页型网络实现物联网DDoS流量的检测方法、设备及存储介质

说明书

本发明涉及一种基于页型网络实现物联网DDoS流量的检测方法、设备及存储介质，包括：(1)获取数据集；(2)数据集预处理；(3)构建DDoS流量检测模型；(4)训练DDoS流量检测模型；(5)DDoS流量检测；将待检测的物联网DDoS流量预处理后输入训练好的DDoS流量检测模型中，实现DDoS流量检测。本发明页型网络更适合在边缘环境部署实施，提高了边缘环境下使用神经网络算法实现IoT设备DDoS恶意流量的识别率。

技术领域

本发明涉及一种改进的全连接神经网络，可以更好的实现在边缘环境利用深度学习实现物联网DDoS流量的检测，属于深度学习技术领域。

背景技术

分布式拒绝服务攻击(DDoS,distributed denial of service)是一种危害性极强的分布式、大范围协同作战的网络攻击手段，攻击者利用其控制的众多僵尸主机或物联网设备，同时向被攻击目标发起拒绝服务攻击(DoS,denial of service)，最终导致被攻击目标的系统资源耗尽甚至崩溃，被攻击目标“拒绝”为正常用户提供所需服务。DDoS攻击主要针对被攻击目标的系统资源和网络带宽，攻击范围包括网络层到应用层。2016年10月，Mirai僵尸网络控制超过十万个物联网(Internet of Things，简称IOT)设备对Dyn DNS基础设施进行DDoS攻击，许多知名网站，包括Github、Amazon、Netflix、Twitter、CNN和Paypal等，均在数小时内无法访问。2017年第四季度与2016年第四季度相比，DDoS攻击总数增加了14％，DDoS攻击已经对系统和网络造成了严重的安全威胁，根据最新的研究表明，几乎所有的DDoS攻击者都会使用两种以上的向量攻击方式进行攻击活动，这使得针对恶意流量的检测变得愈发困难。

人工神经网络作为一种新兴技术，在互联网DDoS检测领域已经得到了广泛应用，取得了良好效果，其所具备的概括抽象能力、学习和自适应能力以及内在的并行计算特性，使得在DDoS攻击检测中的应用具有独特优势。在DDoS攻击检测中，边缘节点首先要对数据流进行特征提取，依靠神经网络对提取的特征值进行过滤分析，进而对流量的行为模式进行定性。恶意节点的攻击是一个动态的过程，对于动态系统，神经网络是一种常用的有效抵抗策略。但目前较为流行的CNN、LSTM等神经网络存在参数规模大、部署要求高等缺点，难以在边缘环境部署实施，因此，更为高效、轻量级的深度学习模型的提出迫在眉睫。

发明内容

针对现有技术的不足，本发明提供了一种基于页型网络实现物联网DDoS流量的检测方法；本发明利用特殊形式的全连接神经网络实现检测并防御攻击者借助物联网僵尸网络设备发起的DDoS攻击。

本发明还提供了一种计算机设备及存储介质；

目前，针对物联网DDoS的防御策略主要集中在中心节点处使用异常检测算法实现恶意流量的检测，其中以深度学习算法最为有效，但这种防御方法存在计算开销大、运行内存高等缺点，所以本发明提供了一种适合在网络边缘处部署的轻量级DDoS攻击的防御神经网络。相较与传统的卷积神经网络，本发明设计的页型神经网络具有更高的检测准确率和更小的参数规模，更适合在边缘环境部署实施。

术语解释：

1、前向计算：是之前数据进入神经网络后的前向传播和运算过程。

2、LSTM：长短时记忆神经网络(Long Short-term Memory Networks,LSTM)：是一种循环网络特殊的类型，可以学习长期依赖信息。LSTM由HochreiterSchmidhuber(1997)提出，并在近期被Alex Graves进行了改良和推广。LSTM明确旨在避免长期依赖性问题。长时间记住信息实际上是他们的默认行为，而不是他们难以学习的东西！