孙 敏, 李文宾, 郝 雪

(山西大学 计算机与信息技术学院, 太原 030006)

分布式拒绝服务(distributed denial of services, DDoS)攻击是目前最具威胁的网络攻击之一．文献[1]从DDoS攻击者的角度来研究DDoS，关注攻击力量的动态，旨在探索幕后的攻击策略，研究发现攻击者以动态的方式调度受控僵尸网络，不同的僵尸网络家族表现出相似的调度模式，暗示它们之间存在某种潜在的关联．文献[2]利用预测技术，旨在发现DDoS攻击的早期信号和组成僵尸网络的受害主机．上述研究探究DDoS背后的僵尸主机以及调度模式．

另外利用机器学习和深度学习技术展开对DDoS攻击的检测工作．文献[3]提出一种轻量级的DDoS检测方法，利用卷积神经网络区分攻击流量和正常流量．文献[4]研究了基于机器学习的DDoS攻击检测方法，结果表明，没有一种方法在所有测试用例上优于其他方法；并且发现类不平衡问题对基于机器学习的算法有很大影响．文献[5]利用异常检测进行攻击检测，通过长短期记忆(long short-term memory,LSTM)网络训练出一个正常流量基准，然后利用模糊理论进行决策；该方案能检测大部分异常，但存在更新难，成本高等缺点．文献[6]利用LSTM网络建模，然后将可信度低的流量经过Bayes进行二次分类．但尚不知对于未知攻击的检测能力．

上述研究仍然存在检测精度低和未知攻击检测能力不足的问题．因此文中提出再分类深度神经网络的DDoS检测方法，通过深度神经网络(deep neural network,DNN)模型和再分类机制判断其是否为攻击流量，并针对低置信度检测……