基于卷積神經網絡的拒絕服務攻擊數據流檢測

謝潔，韓德志

（上海海事大學信息工程學院，上海201306）

云環境；拒絕服務攻擊；卷積神經網絡

0 引言

現今云計算的興起，云平臺給用戶提供了各種便利的互聯網應用服務，隨之產生的針對云環境的各種攻擊事件不斷發生，威脅著云網絡的安全。在針對云環境的攻擊中拒絕服務攻擊是主要的攻擊方式，攻擊強度高，損害大，并且呈現增長態勢，云安全問題形勢嚴峻。目前針對拒絕服務攻擊的檢測方法主要有，針對TCP擁塞控制機制的Shrew攻擊、隨機化端系統的最小超時等待時間、控制路由器隊列緩沖區、算法匹配、數學工具如小波特征。卷積神經網絡是模式分類領域的研究熱點，在圖像識別上避免了對圖像的前期處理過程，精簡了識別程序，結構簡單，且提高了識別效果，因而已成功應用于手寫字符識別、人臉識別、醫療診斷等領域中。

1 卷積神經網絡

卷積神經網絡模型是一個多層的神經網絡，每層由多個二維平面組成，每個平面由多個獨立神經元組成。網絡包含輸入層、卷積層、池化層和輸出層。輸入層只有一層，卷積層和池化層一般設置多層，輸出層一般為一維線陣，用于分類。下圖1是卷積神經網絡的示范：輸入圖像通過和三個可訓練的過濾器和可加偏置進行卷積，卷積后在C1層產生三個特征映射圖，特征映射圖中的像素再進行求和、加權值和加偏置，通過一個sigmoid函數得到三個S2層的特征映射圖。映射圖經過過濾器得到S3層。這個層級結構再和S2一樣產生S4。最后像素值被處理規則化，并連接成一個向量輸入到傳統的神經網絡得到輸出。簡單來說，就是提取出了特征數據，每個層有多個特征圖，每個特征圖通過一種卷積核提取輸入的一種特征，每個特征圖有多個神經元。根據卷積核學習的特征產生特征映射，特征映射如圖2所示，找到第一次特征后，將第一層發現的特征作為第二層的輸入，做第二次的特征查找，把特征更抽象化。

圖1 卷積網絡基本構型

圖2 特征映射

卷積層的輸入為前一層的局部區域，對輸入數據應用若干卷積核加入偏差項進行卷積操作，提取多種特征。每做一次卷積得到一個此層的特征圖（Feature Map），每個卷積核可提取一種特征，每個特征圖可能是與上層幾個特征圖連接形成的映射平面。卷積層計算公式可以表示為：

第l層的第j個映射平面表示為，Mj為感受區域即輸入的特征圖集合，卷積核的權值和偏置分別為w和b，激活函數為f。

池化層對輸入進行抽樣，縮減輸入數據的規模，特征圖經過池化后大小變化，特征圖個數不變，特征維數降低，計算量減少。確定池化區域的大小a×b，用區域內的平均特征作為卷積特征，常見的方法是最大值合并、平均值合并和隨機合并。最后一個池化層通常連接到一個或多個全連接層，全連接層的輸出就是最終的輸出。池化層的計算公式可以表示為：

其中，down()為池化函數，每個輸出特征圖都有自己的系數a和b。

2 基于粒子群算法的卷積神經網絡模型

學習算法對于卷積神經網絡的學習至關重要，卷積神經網絡的學習是指通過已有的數據訓練出輸出層產生的超平面，完成分類任務，將數據分成兩類。在學習的過程中，每一組不同的卷積核都對應一個目標模型，根據已有數據的輸入結果是否符合預期來判斷卷積核的準確度，通過不斷的更新卷積核最終確定一組最優的卷積核。

2.1 誤差反傳算法

傳統的卷積神經網絡學習采用誤差反傳算法，分為兩個階段進行，一個階段是向前傳播計算出網絡的輸出，從樣本集中取一個樣本輸入網絡，進行卷積計算和池化計算，計算相應的實際輸出。另一個階段是反向傳播，逐層遞推至各層計算權值誤差梯度，按極小化誤差的方法反向傳播調整權矩陣。理想輸出是指神經網絡的輸出和訓練樣本的標準值一樣，實際上不可能達到這么精確，只能希望實際輸出盡可能地接近理想輸出。計算實際輸出與相應的理想輸出的差值用E(W)表示表示訓練樣本為s的情況下第i個輸出單元的輸出結果。

梯度的方向就是對函數求偏導?E(W)。假設第k次更新后權重為，如果 ?E(W)≠0，則第k+1次更新權重如下:

式中η為卷積神經網絡的學習率。當?E(W)=0或者?E(W)＜?時停止更新，?為允許的差值，將此時作為最終的卷積神經網絡卷積核的權重。

2.2 粒子群優化算法

粒子群優化算法中，粒子群由m個粒子組成，在n維空間搜索，每個粒子的位置體表優化問題中的潛在解，粒子群優化算法的數學描述為：在一個n維搜索空間中，包含m個微粒，種群x=(x1,x2,…,xm)T，第i個微粒在的n維搜索空間中的位置xi=(xi,1,xi,2,…,xi,n)T，第i個微粒當前速度為vi=(vi,1,vi,2,…,vi,n)T。第i個微粒的個體極值即自身最優歷史位置為pi=(pi,1,pi,2,…,pi,n)T，整個微粒群的全局極值即區域內所有粒子最優位置為pg=(pg,1,pg,2,…,pg,n)T，對于第k次迭代的第i個微粒其第d維更新自己的速度與位置如下式所示：

其中，ω為權重因子，使粒子有運動慣性，c1和c2為學習因子，c1調節粒子飛向自身的最好位置，c2調節粒子飛向全局最好位置，rand()為介于(0，1)的隨機數，和分別為粒子i在第k次迭代中d維的速度和位置，為粒子i在d維的個別極值，為群體在d維的全局極值，為了將粒子的活動范圍限定在搜索區域內，如果搜索空間限定在[-xmax,xmax]，可設定vmax=kxmax,0≤k≤1。算法的流程圖如圖3所示。

圖3 粒子群算法流程圖

2.3 卷積神經網絡模型的參數粒子化

卷積神經網絡模型的參數粒子化是指將卷積神經網絡的卷積核的權值和閾值等參數進行編碼，映射成為粒子群優化算法中的粒子，可以將網絡的權值和閾值等參數看做是粒子的位置分量。設卷積神經網絡的卷積核的個數為ni，全連接層的結點數為nj，則第i個粒子的位置所表示的網絡為：

其中，其中wni表示卷積層與池化層之間的卷積核的權值，unj

表示全連接與輸出層之間的連接權值，θni+nj表示閾值參數。每個粒子的位置唯一確定一個卷積神經網絡，粒子的進化更新也應是卷積神經網絡的卷積核的學習。

2.4 基于粒子群算法和誤差反傳算法的學習算法

傳統的卷積神經網絡的訓練算法需要訓練的參數數目多，不易學習到最優值，還會出現參數彌散的問題。粒子群優化算法是一種全局優化的算法，有收斂速度快，易于實現等優點，本文將粒子群算法應用到神經網絡的訓練中，結合傳統的誤差反傳算法快速的局部搜索能力，發揮兩種算法的優勢，該算法的具體實驗步驟如下：

（1）粒子群初始化，包括各個參數：粒子群的規模N、粒子維數D、慣性權重ω、加速常數c1和c2、位置空間的最大值和最小值xmax和xmin等。設置粒子群優化算法的最大迭代次數Tmax-pso，BP算法的最大迭代次數Tmax-bp，粒子群優化算法的能量函數變化次數閾值Tpso，當前進化代數iter=1，能量函數變化次數flag=0。

（2）初始化卷積神經網絡結構、設置傳遞函數、學習率、權值、閾值等參數并確定目標函數。

（3）初始化各粒子位置，將卷積神經網絡的卷積核的權值和閾值等進行編碼作為粒子的位置。

（4）將樣本數據輸入神經網絡，通過計算至輸出層，計算粒子當前的適應度函數的偏差值。

（5）每個粒子將當前的適應值與其個體歷史最好適應值比較，若當前適應值更優，則令當前粒子的適應值為個體歷史最好適應值，選擇當前粒子的位置作為個體最好位置。

（6）比較群體所有粒子的當前適應值與全局的最好位置的適應值比較，若當前適應值更優，則令當前粒子的適應值為全局歷史最好適應值，選擇當前粒子的位置作為全局最好位置，flag=0，否則flag=flag+1。

（7）如果flag＞Tpso，則使用BP算法在全局最好位置附近進行局部細致搜索。如果搜索結果優于全局最優位置，則用此搜索結果代替全局最好位置，否則，用搜索結果代替性能最差的個體，flag=0，iter=iter+1。如果flag＜Tpso，iter=iter+1。

（8）根據粒子群優化算法，更新粒子的速度、位置。

（9）判斷是否滿足終止條件，達到適應度值要求或者是最大迭代次數，iter＞Tmax-pso，滿足終止條件則輸出優化問題的最優解，否則到步驟（5）。

（10）整個算法結束，輸出全局最好位置為所求神經網絡的卷積核等參數。

3 仿真實驗

實驗采用的數據集是網絡入侵檢測的常用數據集KDD CUP99，該數據集中總共包含大約500萬條網絡連接記錄，本次模擬實驗抽取10%的數據進行實驗，從訓練數據集中隨機抽取5組不同樣本數量的數據作為訓練集，按照同樣的比例抽取5組數據作為本實驗的測試集。數據集中異常數據類型為：拒絕服務攻擊（DDoS）、來自遠程主機的未授權訪問（R2L）、為授權的本地超級用戶特權訪問（U2R）、端口監視或掃描（Probing）。

為了評估模型的準確度，實驗使用混淆矩陣、漏報率、平均漏報率和平均代價來進行評估最終的檢測效果。不同的誤分類會有不同的后果，這里使用KDD CUP99公布的代價矩陣對誤分類進行衡量。

（1）準確率=預測值類型與實際類型相同的數量/預測為該類型的數量

（2）平均代價=種類被誤分的數量×誤分對應的代價/測試樣本總數量

3.1 實驗數據預處理

KDD CUP99數據集中，每條數據記錄除去最后一個標簽外，都包含41個特征，其中38個是數值型特征另外3個是字符型特征。對數據集進行預處理要將字符型的特征映射為數值型的特征，并且將數值型特征進一步處理，進行數值規范化。對數據進行預處理常常采用歸一化的方式，將數據集中所有的數據轉換成[0,1]之間的數，取消各維度間數量級之間的差別，減少網絡預測產生的誤差。數據歸一化常用方法有兩種，一種是最大最小法，函數形式為：

其中，Xmin表示數據序列中的最小數，Xmin表示數據序列中最大數。另一種是平均數方差法，函數形式為：

其中，Xmean表示數據序列中的均值，Xvar表示數據的方法。前41項數據特征可以被分為4大類：TCP連接基本特征、TCP連接的內容特征、基于時間的網絡流量統計特征和基于主機的網絡流量統計特征。表1為各層參數的一個示范，在4大類數據類型中，每類型取出9個數據，之后將這些數據矩陣化表示。

表1 實驗各層參數示范

表2 仿真條件

3.2 實驗結果分析

將訓練集中的數據輸入模型進行多次訓練并調整和優化參數，選取訓練和測試中實驗結果最好的參數及模型。表3顯示了訓練次數與測試準確率之間的關系，在一定的范圍內訓練次數增加，樣本測試的準確率隨之提高，但經過500次以上的訓練后，平均準確率沒有提升，出現了過擬合問題，不能簡單通過增加訓練次數來提高準確率。

表3 訓練次數與準確率的關系

為了測試模型的性能，將此模型決策樹模型、支持向量機模型、卷積神經網絡模型進行以比較實驗，數據處理等步驟均同等操作，粒子群算法的仿真條件都保持一致，比較其對拒絕服務攻擊的識別率，實驗結果比較如下表表4所示，從中可以看到，結合粒子群算法的卷積神經網絡模型在KDD CUP99數據集上有較好的正確率，且算法在實驗中有較快的訓練和運行速度。

表4 算法性能比較

綜合以上實驗分析，結合粒子群算法和誤差反傳算法的神經網絡模型對云環境中攻擊數據流的檢測具有可行性，對數據有良好的適應性，對攻擊數據流有較好的識別效果。

4 結語

為了適應對云環境中拒絕服務攻擊數據流的檢測，提高卷積神經網絡的訓練速度，本文提出了結合粒子群算法的卷積神經網絡模型，該模型通過學習正常云環境中的數據流來訓練模型，再用于拒絕服務攻擊數據流的檢測。實驗結果表明，結合粒子群算法的卷積神經網絡模型用于對拒絕服務攻擊數據流的檢測具有一定的可行性，并且識別準確率和識別速度都優于其他檢測方式。在未來進一步的工作中，還需要對粒子群算法做出更多優化，使之更加適用于云端的大數據流環境，卷積神經網絡模型也可以進行更多結構的實驗設計找出最佳模型，并且對云環境中的大規模數據進行實時測試。