计算机应用

作者：陈旖, 张美璟, 许发见

单位：1. 福建警察学院 计算机与信息安全管理系, 福州 350007;2. 福建警察学院 网络安全与电子物证研究所, 福州 350007

关键词：慢速HTTP拒绝服务攻击,恶意流量检测,卷积神经网络,深度学习,流量分类

基金：福建省自然科学基金面上项目（2017J01514）；教育部人文社科研究青年基金资助项目（17YJC630213）；福建省中青年教师教育科研项目（JAT190440）。

为解决HTTP慢速拒绝服务（SHDoS）攻击流量检测在攻击频率变化时出现的准确率降低的问题，提出一种基于一维卷积神经网络（CNN）的SHDoS攻击流量检测方法。首先，该方法在多种攻击频率下对三种类型的SHDoS攻击流量进行报文采样和数据流提取；之后，设计了一种数据流转换算法，将采集的攻击数据流转换为一维序列并进行去重；最后，使用一维CNN构建分类模型，该模型通过卷积核来提取序列片段，并从片段中学习攻击样本的局部模式，从而使模型对多种攻击频率的数据流都具备检测能力。实验结果显示，与基于循环神经网络（RNN）、长短期记忆（LSTM）网络及双向长短期记忆（Bi-LSTM）网络构建的分类模型相比，该模型对未知攻击频率的样本同样具有较好的检测能力，在验证集上的检测准确率和精确率分别达到了96.76%和94.13%。结果表明所提方法能够满足对不同攻击频率的SHDoS流量进行检测的需求。

来源：2020年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第10期