[发明专利]基于CNN的DDoS攻击多元信息融合方法及装置

说明书

本发明公开了一种基于CNN的DDoS攻击多元信息融合方法及装置，属于通信技术领域。其中所述方法包括：在单位时间内对网络流量进行特征提取，得到多元特征；将所述多元特征基于主成分分析模型进行加权融合特征；构建基于卷积神经网络的分类模型，分析提取所述加权融合特征以获得最终特征。所述装置包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现所述的基于CNN的DDoS攻击多元信息融合方法。本发明相较于现有技术检测DDoS攻击的方法，提高了检测率，降低了漏报率和总错误率，同时还减少了攻击检测的运行时间和内存资源。

技术领域

本发明涉及通信技术领域，特别涉及一种基于CNN的DDoS攻击多元信息融合方法及装置。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的多层监督学习神经网络模型，并且是一类特别设计用来处理二维数据的多层神经网络模型。

分布式拒绝服务攻击(Distributed Denial of Service，DDoS)是指攻击者利用雇佣的多台计算机对一个或者多个目标服务器分别发起拒绝服务攻击，从而使服务器无法处理合法用户的指令，利用DDoS攻击能够对网络造成巨大破坏。

如今，在大数据时代，到处都是大量，多样化，高速和可变的数据。信息融合是针对多源异构数据的多层次、多方面和多维度的深度处理过程，可以获得更加完整、准确和及时的结果。近年来，DDoS攻击的范围越来越广，涉及的领域也越来越多。DDoS攻击的攻击方法得到了迅速的演变，单一元素的检测方法无法很好地识别DDoS攻击，并且许多基于单一元素的检测方法具有较高的漏报率和误报率。

本发明的发明人在研究现有DDoS攻击多元信息融合方法的过程中，发现现有技术至少存在以下问题：漏报率和总错误率高、检测率低、内存资源消耗快、运行时间长等。

因此，本发明提供了一种能够提高DDoS的检测率，降低漏报率和总错误率，减少运行时间和内存资源的DDoS攻击信息融合方法。

发明内容

本申请的目的在于提供一种基于CNN的DDoS攻击多元信息融合方法及装置，解决现有技术存在的部分或全部问题。

为实现上述目的，本申请一方面提供了一种基于CNN的DDoS攻击多元信息融合方法，在一个实施例中，所述方法包括：在单位时间内对网络流量进行特征提取，得到多元特征；将所述多元特征基于主成分分析模型进行加权融合特征；构建基于卷积神经网络的分类模型，分析提取所述加权融合特征以获得最终特征。

进一步的，所述在单位时间内对网络流量进行特征提取，得到多元特征，包括：对所述网络流量进行量化，得出所述网络流量在所述单位时间内每个特征的种类；将所述每个特征的种类转化为特征向量，得到所述多元特征。

进一步的，所述将所述多元特征基于主成分分析模型进行加权融合特征，包括：基于所述主成分分析模型计算所述多元特征的权重；根据所述权重进行加权融合特征。

进一步的，所述基于所述主成分分析模型计算所述多元特征的权重，包括：通过所述主成分分析模型对所述多元特征进行归一化处理，得到所述多元特征的方差；通过所述多元特征的方差计算方差贡献率，得到每个特征的最终所述权重。

进一步的，运用所述主成分分析模型处理所述多元特征，并不断调整所述多元特征中主成分的权重和偏差。

进一步的，所述构建基于卷积神经网络的分类模型，分析提取所述加权融合特征以获得最终特征，包括：所述卷积神经网络包括一个输入层、三个卷积层、三个池化层、两个完全连接层和一个输出层；将所述多元特征通过所述输入层输入所述卷积神经网络模型，进入所述卷积层；所述卷积层通过卷积提取所述输入层不同级别的特征，输入所述池化层；通过所述池化层输出的特征图都有权重和偏差，连接完全连接层，将输出值传递到输出层进行分类，以获得最终特征。