基于概率神经网络的DDoS攻击实时检测方法研究与实现的中期报告.docxVIP

基于概率神经网络的DDoS攻击实时检测方法研究与实现的中期报告 中期报告 一、研究目的和意义 近年来，DDoS攻击在互联网安全领域引起了广泛的关注。DDoS攻击是通过利用大量的计算机或者网络设备向目标系统发送巨大的流量，导致目标系统无法正常响应请求，从而实现网络服务的瘫痪。DDoS攻击具有攻击效果明显、操作简单和难以防范等特点，已经成为网络安全领域中的重大威胁。 为了有效地防范DDoS攻击，现有的防护方法包括防火墙、入侵检测系统和负载均衡器等。但是，这些方法都存在一定的局限性，无法完全解决DDoS攻击问题。因此，本研究旨在利用深度学习中的概率神经网络模型，提出一种新的DDoS攻击实时检测方法，以提高网络安全防护的能力。 二、研究内容和方案 1. 数据采集与预处理 本研究采用的数据集是来自CICDDoS2019数据集中的HTTP部分。该数据集包含了多种类型的DDoS攻击流量，包括HTTP Flood、Slowloris、LOIC等。为了保证网络安全性和数据准确性，本研究将在实验室搭建模拟网络环境，并使用Tcpdump工具捕获网络流量数据。 在数据预处理方面，本研究将采取以下步骤： （1）去除重复数据和无关字段 （2）进行数值型数据标准化 （3）对流量数据进行特征提取（包括源IP、目标IP、源端口、目标端口、数据包长度等） 2. 神经网络模型 本研究采用的神经网络模型是DenseNet