[发明专利]基于深度学习的DDoS检测方法、装置、电子设备及存储介质

说明书

本发明提供了一种基于深度学习的DDoS检测方法、装置、电子设备及计算机可读存储介质，其中，该方法包括：获取训练数据；将训练数据输入至入侵检测系统分类器模型，得到输出结果；根据输出结果检测DDoS；其中入侵检测系统分类器模型使用由卷积层、子采样层和全连接层组成的CNN网络结构，采用先进的方式构建，解决了现有技术中轻量级物联网中的入侵检测系统对于DDoS攻击的检测精度较低、误报率较高，物联网终端节点的上行流量数据所提取的特征数据集中可能存在误差标签，导致检测模型稳定性较差的问题，有效提高了实施在轻量级物联网中的入侵检测系统对于DDoS攻击的检测精度，也能够有效降低误报率。

技术领域

本发明涉及网络安全技术领域，具体涉及一种基于深度学习的DDoS检测方法、装置、电子设备及计算机可读存储介质。

背景技术

分布式拒绝服务攻击(Distributed Denial of Service，简称为DDoS)可以使很多的计算机在同一时间遭受到攻击，使攻击的目标无法正常使用，分布式拒绝服务攻击已经出现了很多次，导致很多的大型网站都出现了无法进行操作的情况，这样不仅仅会影响用户的正常使用，同时造成的经济损失也是非常巨大的。

在许多情况下，由于物联网网络的资源受限特性，DDoS已成为最严重的威胁之一。因此，尽早发现DDoS攻击具有重要意义。近年来，已经研究了基于机器学习(MachineLearning，简称为ML) 的解决方案，包括朴素贝叶斯(Bayesian Model,简称为NBM)，支持向量机(Support Vector Machine，简称为SVM)，决策树等。但是，上述浅层学习技术具有局限性。首先，它们中的大多数都需要相对较高水平的人类专家互动才能提取出有用的数据和模式，这通常是劳力成本高昂且不切实际的。

另外，尽管基于规则或监督的学习模型可以区分现有的已知攻击，但它们不足以检测不断出现的零日攻击，尤其是在基于动态和异构物联网的系统中。为解决这些局限性，基于深度学习已成功应用于网络入侵检测应用程序(network intrusion detectionsystem，简称为NIDS)。现代技术能够促进对网络数据的更深入分析并快速识别任何攻击，例如卷积神经网络(Convolutional Neural Networks，简称为CNN)和递归神经网络(recursive neural network，简称为RNN)。但是，当前模型中使用的传统单网络结构不能很好地反映多维属性之间的特征相关性。另外，没有充分考虑训练数据集中错误标签所造成的影响。

当前在所实施的针对物联网入侵检测的系统中，存在明显的不足之处包括：

(1)对于未知的攻击类型无法进行精确的检测，检测精度有待提高；

(2)针对物联网终端节点的上行流量数据所提取的特征数据集中可能存在误差标签这一问题，现有的技术无法较好的考虑到。

发明内容

有鉴于此，本发明实施例提供了一种基于深度学习的DDoS检测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中轻量级物联网中的入侵检测系统对于DDoS攻击的检测精度较低、误报率较高，物联网终端节点的上行流量数据所提取的特征数据集中可能存在误差标签，导致检测模型稳定性较差的问题。

为此，本发明实施例提供了如下技术方案：

本发明第一方面，提供了一种基于深度学习的DDoS检测方法，包括：

获取训练数据；

将所述训练数据输入至入侵检测系统分类器模型，得到输出结果；

根据所述输出结果检测DDoS；

其中所述入侵检测系统分类器模型使用由卷积层、子采样层和全连接层组成的CNN网络结构，构建方式如下：