多类支持向量机的DDoS攻击检测的方法

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多类支持向量机的DDoS攻击检测的方法

徐图, 罗瑜, 何大可

文章导航 > 电子科技大学学报 > 2008 > 37(2): 274-277

徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法[J]. 电子科技大学学报, 2008, 37(2): 274-277.

引用本文:

徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法[J]. 电子科技大学学报, 2008, 37(2): 274-277.

XU Tu, LUO Yu, HE Da-ke. Detecting DDoS Attack Based on Multi-Class SVM[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(2): 274-277.

Citation:

XU Tu, LUO Yu, HE Da-ke. Detecting DDoS Attack Based on Multi-Class SVM[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(2): 274-277.

多类支持向量机的DDoS攻击检测的方法

1.
西南交通大学信息科学与技术学院成都 610031

基金项目:

四川省青年科技基金(07JQ0060)

作者简介:
徐图(1972-),男,博士生,主要从事机器学习与智能网络安全方面的研究.

中图分类号: TP393

Detecting DDoS Attack Based on Multi-Class SVM

1.
School of Information Science and Technology,Southwest Jiaotong University Chengdu 610031

摘要: 为了利用SVM准确的检测DDoS,需要找到区分正常流和攻击流的特征向量,根据DDoS攻击的特点,提出了独立于流量的相对值特征向量。为了在指示攻击存在的同时,也指示攻击强度,多类支持向量机(MCSVM)被引入到DDoS检测中。实验表明,RLT特征与MCSVM相结合,可以有效检测到不同类型的DDoS攻击,并且能准确地指示攻击强度,优于目前已有的检测方法。使用RLT特征进行DDoS检测,比使用单一攻击特征进行识别的方法,包含更多的攻击信息,可以得到较高的检测精度。
- 分布式拒绝服务攻击 /
- 多类支持向量机 /
- 相对值特征向量 /
- 支持向量机
Abstract: In order to detect distributed denial of service (DDoS) attacks with support vector machine (SVM) measures, the feature vectors that can distinguish normal stream from attack stream are required. According to the characters of DDoS attacks, a group of relative value features are proposed. For indicating the existence and attack intensity of DDoS attack simultaneously, multi-class SVM (MCSVM) is introduced to detecting DDoS Attacks. As shown in our numeric experiments, the combination of RLT features and MCSVM can detect several kinds of DDoS attacks effectively and indicate attack intensity precisely. The detection results are better than other detection measures. Because the RLT features include more attack information than the detection measures using single attack character, a better detection result is available.
- distributed denial of service attack /
- multi-class SVM /
- relative value feature vector /
- support vector machine

[1]	黄一鸣, 雷航, 周瑞, 桑楠. 基于手机传感器的握持方式判断及运动状态识别 . 电子科技大学学报, 2017, 46(2): 399-406. doi: 10.3969/j.issn.1001-0548.2017.02.014
[2]	张静, 刘忠宝. 基于流形判别分析的全局保序学习机 . 电子科技大学学报, 2015, 44(6): 911-916. doi: 10.3969/j.issn.1001-0548.2015.06.020
[3]	高军峰, 张文佳, 杨勇, 胡佳佳, 陶春毅, 官金安. 基于P300和极限学习机的脑电测谎研究 . 电子科技大学学报, 2014, 43(2): 301-306. doi: 10.3969/j.issn.1001-0548.2014.02.028
[4]	何海江. 截断误差的光滑型支持向量顺序回归 . 电子科技大学学报, 2014, 43(1): 131-136. doi: 10.3969/j.issn.1001-0548.2014.01.022
[5]	刘忠宝. 新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
[6]	刘忠宝, 王士同. 面向大规模数据的隐私保护学习机 . 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018
[7]	刘丹, 李毅超, 余三超, 陈沁源. 面向P2P网络的DDoS攻击抑制方法 . 电子科技大学学报, 2011, 40(1): 85-89.
[8]	韩杰思, 沈建京. 采用图像滤波的多特征JPEG盲检测 . 电子科技大学学报, 2011, 40(2): 255-260. doi: 10.3969/j.issn.1001-0548.2011.02.020
[9]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述 . 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001
[10]	张雪芹, 顾春华, 吴吉义. 异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
[11]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[12]	耿技, 马新新. 对等网络泛洪DDoS攻击的防御机制 . 电子科技大学学报, 2009, 38(6): 987-992. doi: 10.3969/j.issn.1001-0548.2009.06.020
[13]	李建勋, 唐斌, 吕强. 双谱特征提取在欺骗式干扰方式识别中的应用 . 电子科技大学学报, 2009, 38(3): 329-332. doi: 10.3969/j.issn.1001-0548.2009.03.003
[14]	向国齐, 严志坚, 黄大贵. 支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
[15]	万群, 王伟, 黄际彦, 宋玉梅. 模糊支持向量机的非直达波抑制算法 . 电子科技大学学报, 2008, 37(6): 803-806.
[16]	蒲荣富, 马新新, 秦志光. Gnutella对等网中抵御DDoS攻击的评估算法 . 电子科技大学学报, 2008, 37(2): 262-265.
[17]	唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类 . 电子科技大学学报, 2008, 37(3): 466-469.
[18]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[19]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[20]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.

WeChat

点击查看大图

计量

文章访问数: 3574
HTML全文浏览量: 208
PDF下载量: 291
被引次数: 0

多类支持向量机的DDoS攻击检测的方法

1. 西南交通大学信息科学与技术学院成都 610031

基金项目:

四川省青年科技基金(07JQ0060)

作者简介:
徐图(1972-),男,博士生,主要从事机器学习与智能网络安全方面的研究.

收稿日期: 2007-01-15
修回日期: 2007-05-08
刊出日期: 2008-04-15

中图分类号: TP393

关键词:

摘要: 为了利用SVM准确的检测DDoS,需要找到区分正常流和攻击流的特征向量,根据DDoS攻击的特点,提出了独立于流量的相对值特征向量。为了在指示攻击存在的同时,也指示攻击强度,多类支持向量机(MCSVM)被引入到DDoS检测中。实验表明,RLT特征与MCSVM相结合,可以有效检测到不同类型的DDoS攻击,并且能准确地指示攻击强度,优于目前已有的检测方法。使用RLT特征进行DDoS检测,比使用单一攻击特征进行识别的方法,包含更多的攻击信息,可以得到较高的检测精度。

English Abstract

徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法[J]. 电子科技大学学报, 2008, 37(2): 274-277.

引用本文:

徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法[J]. 电子科技大学学报, 2008, 37(2): 274-277.

XU Tu, LUO Yu, HE Da-ke. Detecting DDoS Attack Based on Multi-Class SVM[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(2): 274-277.

Citation:

XU Tu, LUO Yu, HE Da-ke. Detecting DDoS Attack Based on Multi-Class SVM[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(2): 274-277.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发