奚玉龙

(安徽省第二人民医院,合肥 230041)

计算机网络技术的飞速发展给社会生活和经济发展带来了新机遇,但网络攻击给网络安全带来了巨大的风险[1,2].分布式拒绝服务攻击(DDoS)在攻击过程使用常见的协议和服务,准确检测的难度很高.因此,对DDoS 攻击的高性能检测对维护网络安全具有重要意义[3].

针对DDoS 攻击检测问题,研究人员提出了很多方法[4,5].例如,文献[6] 构建了基于BP 神经网络的DDoS 攻击检测模型,采用数据包长度、数据包发送时间等特征检测DDoS 攻击,取得了很好的检测效果.文献[7]针对软件定义网络攻击,提出了基于支持向量机和K 均值聚类的攻击检测算法,提高了检测效率.文献[8]提出了基于组合相关度随机森林的DDoS 攻击检测方法,具有较低的误报率和漏报率.这些方法均存在特征主观依赖性较强,检测模型泛化能力差的问题.文献[9]将深度神经网络应用于DDoS 攻击检测,模型泛化能力较强,但训练效率较低.

本文首先基于卷积神经网络(CNN)构建了DDoS攻击检测模型,实现了DDoS 攻击的高准确率检测.然后,引入粒子群算法(PSO),对卷积神经网络的卷积核进行优化,提高模型训练效率,并与梯度下降方法相结合,增加模型全局寻优能力.

1 卷积神经网络

CNN是一种具有深度结构的前馈神经网络,广泛应用于计算机视觉及自然语言处理等领域[10].CNN的主体架构包括卷积层、池化层、全连接层、输入层和输出层,其中卷积层与池化层是CNN的核心.

1.1 卷积层

卷积层输入通常为多维……