刘振鹏，王仕磊，郭 超，陈 杰，李小菲

(1.河北大学 电子信息工程学院，河北 保定 071002；2.河北大学 信息技术中心，河北 保定 071002)

分布式拒绝服务（Distributed Denial of Service，DDoS）攻击[1]的解决方案一直是网络安全研究领域的难点问题.软件定义网络（Software-Define Networking，SDN）[2-3]架构的核心思想是控制平面与数据平面的分离，相较于传统网络架构SDN 增加了灵活性、加快了实施并简化了管理[4].除了数据和控制平面分离之外，SDN 还包括应用平面，为负载平衡、入侵检测、流量监控等基本网络功能提供高效的解决方案[5].控制器的集中化虽降低了部署成本，但这也使得控制器更易受到DDoS 攻击[6].

现有的DDoS 攻击检测机制通常基于机器学习方法.机器学习模型从网络流量中提取并使用一些特征来区分恶意流量和正常流量.文献[7]采用支持向量机（Support Vector Machine，SVM）的方法区分DDoS 攻击流量和正常流量；在文献[8]中，采用了3 种不同的机器学习算法进行比较.但仅采用基于机器学习的方法对控制器的资源占用量较大.在文献[9-11]中，采用了一种基于信息熵和机器学习方法相结合的DDoS 检测思想，分别提出了3 种不同的检测方案.此思想在第一阶段采用基于信息熵的方法检测攻击流量，第二阶段采用不同的机器学习方法对异常流量进行分类.通过实验表明此方案可以有效减少控制器资源占用量较大问题.文献[12]通过在NSL-KDD 数据集上的实验，观察到前馈神经网络（Feedforward Neural Network,FNN）和卷积神经网络（Convolution Neural Network,CNN）等深度神经网络模型在确定网络异常检测方面比贝叶斯、随机森林、随机树、SVM 等浅层机器学习算法具有更高的精确度.在这些研究[13-14]中，深度学习模型比浅层机器学习模型更成功；……