基于卷積神經(jīng)網(wǎng)絡(luò)的指揮控制專(zhuān)網(wǎng)DDoS 檢測(cè)方法*

張 翊 王瑞杰 王遠(yuǎn)航 郭豐君

（陸軍炮兵防空兵學(xué)院鄭州校區(qū) 鄭州 450000）

1 引言

隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，戰(zhàn)爭(zhēng)形態(tài)不斷改變，機(jī)械化戰(zhàn)爭(zhēng)轉(zhuǎn)向信息化戰(zhàn)爭(zhēng)已勢(shì)不可擋［1～3］。二十一世紀(jì)以來(lái)，我軍武器裝備信息化程度日益提高，基于IP 的指揮控制專(zhuān)網(wǎng)在體系化指揮作戰(zhàn)中的地位不斷提升，其勢(shì)必也將成為敵方重點(diǎn)攻擊的對(duì)象。作為戰(zhàn)場(chǎng)信息傳送的重要樞紐，各類(lèi)指揮控制專(zhuān)網(wǎng)［4～5］采用多級(jí)互聯(lián)組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 指揮控制專(zhuān)網(wǎng)結(jié)構(gòu)圖

針對(duì)指揮控制專(zhuān)網(wǎng)，敵方只需要使用能量足夠大的信號(hào)在陣地網(wǎng)絡(luò)范圍內(nèi)廣播路由或者其他信息，破壞陣地網(wǎng)絡(luò)傳輸層的“三次握手”協(xié)議機(jī)制，就可以導(dǎo)致整個(gè)陣地網(wǎng)絡(luò)的性能下降，甚至不能通信［6］，其最常見(jiàn)的攻擊手段如圖2 所示。

圖2 常見(jiàn)DDoS攻擊方式

針對(duì)DDoS 攻擊，前人做了大量的研究工作［7～13］。其中針對(duì)專(zhuān)網(wǎng)，劉順余等［10］提出了一種基于集成學(xué)習(xí)的DDoS 攻擊防御方法KNS，該方法將KNN、NBC 和SVM 進(jìn)行了集成，最終實(shí)現(xiàn)分類(lèi)。但是針對(duì)防控作戰(zhàn)體系，其檢測(cè)效果可能會(huì)影響其作戰(zhàn)成敗，該檢測(cè)方法準(zhǔn)確率有待進(jìn)一步提高。對(duì)此，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的指揮控制專(zhuān)網(wǎng)DDoS 攻擊檢測(cè)方法，該方法采用具有7層結(jié)構(gòu)的CNN對(duì)流量數(shù)據(jù)進(jìn)行分類(lèi)，該方法能夠?qū)崿F(xiàn)較高的指揮控制專(zhuān)網(wǎng)DDoS攻擊檢測(cè)準(zhǔn)確率和較低的誤報(bào)率。

2 特征預(yù)處理

2.1 “0”填充

指揮控制專(zhuān)網(wǎng)流量數(shù)據(jù)其特征值數(shù)量不固定，為便于卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)其特征分布，本文采用“0”填充的方式，對(duì)數(shù)據(jù)xi,進(jìn)行擴(kuò)充或縮減。當(dāng)num(xi,)＜100 時(shí)，對(duì)xi,進(jìn)行填充，使得num(xi,)＜100，當(dāng)num(xi,)＞100時(shí)，對(duì)100維后面的數(shù)據(jù)進(jìn)行“剪枝”，僅保留其前100維特征。

2.2 歸一化

本文基于對(duì)流量的分析實(shí)現(xiàn)DDoS 攻擊行為的識(shí)別，流量特征表示為xi,j，其中xi,j∈Sd，S表示數(shù)據(jù)集，d表示S 的維度，i代表S中第i條流量，j 代表S 中第j 維特征。其中j ∈[0,255]，不利于后期分類(lèi)器訓(xùn)練階段的高效學(xué)習(xí)和快速收斂。基于此，為了實(shí)現(xiàn)分類(lèi)器訓(xùn)練階段的高效學(xué)習(xí)與快速收斂，本文對(duì)不同量級(jí)的特征進(jìn)行歸一化處理，使得xi,j∈[0,1]。歸一化計(jì)算公式如下所示：

式中，表示第j維的特征最大值，表示第j維的特征最小值。

3 卷積神經(jīng)網(wǎng)絡(luò)

CNN由輸入層、卷積層、池化層、全連接層和輸出層組成。不同結(jié)構(gòu)的CNN 具有不同數(shù)量的卷積層和池化層。假設(shè)CNN 的輸入特征是第i層的特征圖是Mi(M0=X)。那么，卷積過(guò)程可以表示為式（2）：

其中Wi是第i層的卷積核權(quán)重向量，運(yùn)算符號(hào)?代表卷積運(yùn)算，bi是第i層的偏移向量；f(*)是激活函數(shù)。卷積層通過(guò)指定不同的窗口值提取數(shù)據(jù)矩陣Mi-1的不同特征信息，通過(guò)不同的卷積核提取數(shù)據(jù)中不同的特征Mi。在卷積操作中，同一個(gè)卷積核遵循“參數(shù)共享”的原則，顯著減少神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量。

池化層通常在卷積層之后按照不同的采樣規(guī)則對(duì)特征圖進(jìn)行采樣。假設(shè)Mi是池化層的輸入，Mi+1是池化層的輸出；那么，池化層可以表示為

本文在Pool(*)中，采用最大值池化的方法，主要是降低特征維度，減少冗余特征對(duì)模型的影響。CNN 模型結(jié)構(gòu)如圖3所示。

圖3 CNN結(jié)構(gòu)圖

4 DDoS檢測(cè)

如圖3所示，檢測(cè)包括以下步驟：

第1 步：數(shù)據(jù)預(yù)處理和數(shù)據(jù)類(lèi)型轉(zhuǎn)換。將數(shù)據(jù)集進(jìn)行“0”填充和歸一化處理，得到標(biāo)準(zhǔn)化的數(shù)據(jù)集。此時(shí)，數(shù)據(jù)集為1*100 維向量，然后將一維網(wǎng)絡(luò)連接數(shù)據(jù)集映射為二維特征向量（1*100 向量轉(zhuǎn)換為10*10 圖像數(shù)據(jù)）。變換后的二維特征向量可以作為CNN輸入層的輸入樣本。

第2步：CNN 入侵檢測(cè)模型的具體結(jié)構(gòu)。本文中，CNN 由一個(gè)輸入層、一個(gè)輸出層和4 個(gè)隱藏層組成。輸入層將一維網(wǎng)絡(luò)數(shù)據(jù)集映射成二維平面信息，便于CNN 特征學(xué)習(xí)。隱含層包括卷積層和池化層。卷積層不斷地將樣本數(shù)據(jù)映射到高維空間，學(xué)習(xí)數(shù)據(jù)的特征信息。池化層通過(guò)降低提取特征的維度來(lái)減少計(jì)算量并提高模型的檢測(cè)效率。每個(gè)卷積層和每個(gè)池化層交替設(shè)置，以準(zhǔn)確高效地提取入侵特征。輸出層將特征提取結(jié)果映射為一維數(shù)組進(jìn)行預(yù)測(cè)分類(lèi)，CNN參數(shù)設(shè)置如表1。

表1 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

表2 實(shí)驗(yàn)用數(shù)據(jù)集

其中，Relu 為本文選擇的激活函數(shù)，dropout 為失活概率，以防止CNN學(xué)習(xí)過(guò)擬合，Softmax將輸出層數(shù)值映射為概率。

第3 步：模型訓(xùn)練和反向微調(diào)提高模型的性能。在CNN 模型中，使用反向傳播（BP）算法對(duì)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行微調(diào)。在確定網(wǎng)絡(luò)模型的最優(yōu)參數(shù)后，通過(guò)測(cè)試數(shù)據(jù)集的分類(lèi)結(jié)果評(píng)估模型的性能。

5 實(shí)驗(yàn)結(jié)果分析

5.1 數(shù)據(jù)集

本實(shí)驗(yàn)基于某防空部隊(duì)采集的數(shù)據(jù)集［8］，該數(shù)據(jù)集是模擬DDoS 攻擊中的泛洪攻擊，在數(shù)據(jù)采集過(guò)程中，設(shè)定時(shí)間閾值為0.004s，如果時(shí)間超過(guò)0.004s，則將數(shù)據(jù)包視作攻擊類(lèi)，其他的為正常流量。其數(shù)據(jù)情況如表1所示。

5.2 實(shí)驗(yàn)環(huán)境

在研究的過(guò)程中，實(shí)驗(yàn)環(huán)境設(shè)置如下：

操作系統(tǒng)：Windows 10

處理器：Intel（R）Core（TM）i5-3450 CPU @3.10GHz

內(nèi)存：16.0GB

語(yǔ)言：python3.7

調(diào)用庫(kù)：Numpy，Scikit-learn

5.3 評(píng)價(jià)指標(biāo)

本文通過(guò)以下三個(gè)性能指標(biāo)來(lái)評(píng)估檢測(cè)系統(tǒng)。

準(zhǔn)確率：正確識(shí)別的百分比，如式（4）所示。

檢測(cè)率：攻擊流量正確分類(lèi)的百分比，如式（5）所示。

誤報(bào)率：錯(cuò)誤識(shí)別中識(shí)別為攻擊流量的百分比，如式（6）所示。

其中，TN 表示正常流量分類(lèi)正確的條數(shù)，TP 表示攻擊分類(lèi)正確的條數(shù)。FP 表示攻擊流量錯(cuò)誤分類(lèi)的條數(shù)。FN表示正常流量錯(cuò)誤分類(lèi)的條數(shù)。

5.4 結(jié)果及分析

5.4.1 訓(xùn)練損失

實(shí)驗(yàn)中，CNN 訓(xùn)練220 次后，損失值降為最低，訓(xùn)練趨于穩(wěn)定，訓(xùn)練次數(shù)和損失值變化如圖4所示。

圖4 訓(xùn)練次數(shù)和損失值變化圖

5.4.2 檢測(cè)結(jié)果

本文主要和已有的四種方法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果顯示，CNN 檢測(cè)準(zhǔn)確率高達(dá)95.24%，誤報(bào)率僅有2.26%，優(yōu)于其他算法，對(duì)比結(jié)果如表3所示。

表3 分類(lèi)器的結(jié)果比較

從實(shí)驗(yàn)數(shù)據(jù)可得，本文所提出的堆疊神經(jīng)網(wǎng)絡(luò)能夠更好地識(shí)別DDoS 攻擊，其準(zhǔn)確率高達(dá)95.24%，超過(guò)了其他四種算法，檢測(cè)率比其他最高檢測(cè)率還要高13.08%，并且堆疊神經(jīng)網(wǎng)絡(luò)在誤報(bào)率方面也有出色的表現(xiàn)。為了更好地分析實(shí)驗(yàn)分類(lèi)效果，本文才用混淆矩陣對(duì)測(cè)試集進(jìn)行了分析，內(nèi)容見(jiàn)表4。

表4 混淆矩陣

從混淆矩陣可以看出，雖然仍有589 條流量（包含正常和攻擊類(lèi)）識(shí)別錯(cuò)誤，但是CNN 能夠識(shí)別大部分的正常流量和DDoS 攻擊，具有較好的分類(lèi)效果。

6 結(jié)語(yǔ)

面對(duì)信息化作戰(zhàn)的未來(lái)趨勢(shì)，本文針對(duì)指揮控制專(zhuān)網(wǎng)，提出了一種新穎的DDoS 攻擊檢測(cè)方法，該方法是采用CNN 對(duì)流量數(shù)據(jù)進(jìn)行特征分析和識(shí)別。該方法和已有的四種檢測(cè)方法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果表明，基于CNN 的檢測(cè)方法能夠獲得較高的準(zhǔn)確率和檢測(cè)率，以及非常低的誤報(bào)率，具有一定前景。