基于卷积神经网络的指挥控制专网DDoS检测方法.pdf
《基于卷积神经网络的指挥控制专网DDoS检测方法.pdf》由会员分享,可在线阅读,更多相关《基于卷积神经网络的指挥控制专网DDoS检测方法.pdf(4页珍藏版)》请在咨信网上搜索。
1、舰 船 电 子 工 程2023 年第 5 期1引言随着网络技术的不断发展,战争形态不断改变,机械化战争转向信息化战争已势不可挡13。二十一世纪以来,我军武器装备信息化程度日益提高,基于 IP 的指挥控制专网在体系化指挥作战中的地位不断提升,其势必也将成为敌方重点攻击的对象。作为战场信息传送的重要枢纽,各类指挥控制专网45采用多级互联组成,其网络结构如图 1所示。针对指挥控制专网,敌方只需要使用能量足够大的信号在阵地网络范围内广播路由或者其他信息,破坏阵地网络传输层的“三次握手”协议机制,就可以导致整个阵地网络的性能下降,甚至不能通信6,其最常见的攻击手段如图 2 所示。针对DDoS 攻击,前人
2、做了大量的研究工作 713。其中针对专网,刘顺余等10提出了一种基于集成学习的 DDoS 攻击防御方法 KNS,该方法将 KNN、NBC 和 SVM 进行了集成,最终实现分类。但是针对防控作战体系,其检测效果可能会影响其作战成败,该检测方法准确率有待进一步提高。对此,提出了一种基于卷积神经网络(Convolutional NeuralNetwork,CNN)的指挥控制专网 DDoS攻击检测方法,该方法采用具有7层结构的CNN对流量数据进行分类,该方法能够实现较高的指挥控制专网DDoS攻击检测准确率和较低的误报率。收稿日期:2022年11月7日,修回日期:2022年12月28日作者简介:张翊,女
3、,硕士研究生,讲师,研究方向:网络空间安全。王瑞杰,女,硕士研究生,副教授,研究方向:网络空间安全。王远航,男,硕士研究生,助教,研究方向:指挥控制。郭丰君,男,助教,研究方向:指挥控制。基于卷积神经网络的指挥控制专网DDoS检测方法张翊王瑞杰王远航郭丰君(陆军炮兵防空兵学院郑州校区郑州450000)摘要随着军事变革的纵深发展,战争形态从机械化向信息化不断过度,DDoS成为敌方攻击的重要手段之一,网络化攻防作战已成为研究热点。论文针对指挥控制专网DDoS检测,提出一种基于卷积神经网络的DDoS检测方法,该方法在某部队采集的真实数据集上进行了测试,并且和已有的四种检测方案进行了对比。实验结果表明
4、,论文提出的检测方案优于其他四种方案,能够实现高精度的 DDoS 检测。关键词指挥控制专网;DDoS;神经网络中图分类号TP309DOI:10.3969/j.issn.1672-9730.2023.05.024DDoS Detection Method Based on Convolutional Neural Network inCommand and Control Private NetworkZHANG YiWANG RuijieWANG YuanhangGUO Fengjun(Zhengzhou Campus,PLA Army Academy of Artillery and Air
5、 Defense,Zhengzhou450000)AbstractWith the development of military reforms,the form of warfare has continued to transition from mechanization to informationization.DDoS has become one of the important means of enemy attacks,and network offensive and defensive operationshave become a feverish research
6、.This paper proposes a DDoS detection method based on convolutional neural network for the command and control network.The scheme is tested on a dataset collected by a certain unit and compared with the existing four detection schemes.Experimental results show that the detection method is better to
7、the other four methods and can achieve high-precisionDDoS detection.Key Wordscommand and control network,DDoS,neural networkClass NumberTP309总第 347 期2023 年第 5 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.5115总第347期一级指挥所二级指挥所三级指挥所数据中心图1指挥控制专网结构图2特征预处理2.1“0”填充指挥控制专网流量数据其特征值数量不固定,为便于卷积神经网络学习其特征分布,本
8、文采用“0”填充的方式,对数据xi,进行扩充或缩减。当num(xi,)100 时,对xi,进行填充,使得num(xi,)100时,对100维后面的数据进行“剪枝”,仅保留其前100维特征。2.2归一化本文基于对流量的分析实现 DDoS 攻击行为的识别,流量特征表示为xi,j,其中xi,jSd,S表示数据集,d表示S的维度,i代表S中第i条流量,j代表S中第j维特征。其中j 0,255,不利于后期分类器训练阶段的高效学习和快速收敛。基于此,为了实现分类器训练阶段的高效学习与快速收敛,本文对不同量级的特征进行归一化处理,使得xi,j 0,1。归一化计算公式如下所示:x*i,j=xi,jxmin,j
9、xmax,jxmin,j,xmax,jxmin,jx*i,j=0,xmax,j=xmin,j(1)式中,xmax,j表示第j维的特征最大值,xmin,j表示第j维的特征最小值。三级指挥所DDoS图2常见DDoS攻击方式图3CNN结构图3卷积神经网络CNN由输入层、卷积层、池化层、全连接层和输出层组成。不同结构的 CNN 具有不同数量的卷积层和池化层。假设CNN的输入特征是第i层的特征图是Mi(M0=X)。那么,卷积过程可以表示为式(2):Mi=f(Mi1Wi+bi)(2)其中Wi是第i层的卷积核权重向量,运算符号代表卷积运算,bi是第i层的偏移向量;f(*)是激活函数。卷积层通过指定不同的窗口
10、值提取数据矩阵Mi1的不同特征信息,通过不同的卷积核提取数据中不同的特征Mi。在卷积操作中,同一个卷积核遵循“参数共享”的原则,显著减少神经网络的参数数量。池化层通常在卷积层之后按照不同的采样规则对特征图进行采样。假设Mi是池化层的输入,Mi+1是池化层的输出;那么,池化层可以表示为Mi+1=Pool(Mi)(3)本文在Pool(*)中,采用最大值池化的方法,主要是降低特征维度,减少冗余特征对模型的影响。CNN 模型结构如图3所示。卷积层池化层卷积层池化层全连接层流量数据流量数据n*n张翊等:基于卷积神经网络的指挥控制专网DDoS检测方法116舰 船 电 子 工 程2023 年第 5 期4DD
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 卷积 神经网络 指挥 控制 DDoS 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。