论文研究-基于随机森林分类模型的DDoS攻击检测方法.pdf下载

分布式拒绝服务（distributed denial-of-service，DDoS）是目前常见的网络攻击方式之一。基于机器学习算法（SVM、HMM等）的DDoS攻击检测技术取得一些进展，但还存在着样本数量过多时易发生过拟合和未充分利用上下文信息等不足。为了弥补以上不足，提出一种基于随机森林的DDoS攻击检测方法，将数据流信息熵作为分类标准，令sourceIP、destinationIP、destinationPort分别代表数据流的源地址、目的地址、目的端口，采用SIDI（sourceIP-destinationIP）、SIDP（sourceIP-destinationPort）和DPDI（destinationPort-destinationIP）三个信息熵来分别表征三种多对一的特征，对TCP洪水攻击、UDP洪水攻击、ICMP洪水攻击等三种常见的攻击方式进行特征分析，在此基础上使用基于随机森林分类模型分别对三类DDoS攻击方式进行分类检测，实验结果表明该模型能够较为准确地区分正常流量和攻击流量，与HMM、SVM方法相比，基于RFC模型的DDoS检测方法有较高的检测率和较低的误报率。