尤方萍
(湖北工业大学 电气与电子工程学院,湖北 武汉 430068)
近年来,网络安全问题成为高校不得不面对的困境,如黑客攻击、隐私泄露、木马泛滥等。如何保障校园网络安全成为众多相关领域学者的重要研究方向。在众多黑客攻击手段中,分布式拒绝服务攻击(Distributed Denial of Service,DDoS)是常见的网络安全问题。当前很多学者采用对DDoS攻击检测展开研究,如长短记忆网络与改进残差神经网络优化的异常流量检测方法、基于深度学习方法、基于小波分析的方法、基于行为特征进行快速学习的动态流量TOP-N排序方法、主成分分析与层次聚类相结合的方法、时间序列预测方法[1-7]。
由于用户数据报协议(User Datagram Protocol,UDP)洪泛攻击在DDoS攻击中占比较高,国内外一些学者对检测UDP洪泛攻击展开研究,传统采用指纹识别方法,但是随着特征库不断扩充,搜索比对攻击指纹特征的时间越长,效果越来越差。在机器学习算法中,支持向量机(Support Vector Machine,SVM)是较好的适配算法,可以在小样本、底维度的场景下,能够得到较高的决策率[8-10]。本论文采用SVM算法来识别检测UDP洪泛流量,首先论述了UDP洪泛攻击的流量特征;然后给出基于SVM的UDP洪泛攻击流量检测方法;之后结合实验环境去检测该方法的有效性。
UDP洪泛攻击属于流量型攻击,通过构造大量伪造UDP报文,向攻击目标不断发起请求,最终导致被攻击服务器耗尽带宽和硬件资源,从而造成拒绝提供正常服务的后果。
异常UDP流量和正常UDP流量存在诸多差异,具体说明如表1所示。……