基于防空作战体系的DDoS攻击防御技术研究

来源:用户上传      作者:

　　摘   要：防空作战体系依托军事综合信息网、指挥专网、内部局域网等网络，连接各级作战值班室和作战阵地并实现空情共享。这类网络任务单一，防御能力较弱，易遭受敌军攻击，如分布式拒绝服务（DDoS）。基于此，文章中提出了一种新颖的入侵检测方法—KNS。这种方法基于集成学习的思想，首先分别采用K-最近邻（K-Nearest Neighbor，KNN）、朴素贝叶斯分类器（Naive Bayes Classifier，NBC）和支持向量机（Support Vector Machine，SVM）对流量进行检测，其次对检测结果进行投票策略（Voting）整合，最后获得KNS的最终检测结果。这种方法在DDoS数据集进行了测试，结果表明，KNS具有较好的异常检测检测准确性、检测率、误报率。
　　关键词：防空作战体系;机器学习;入侵检测;分布式拒绝服务
　　中图分类号： TP391.4          文献标识码：A
　　1 引言
　　随着现代战争空袭兵器的迅猛发展，陆军采取提升预警时间的方式来应对空袭兵器的快速袭击，为此陆军防空力量逐渐向日常防空作战体系发展[1，3]。防空作战体系由野战防空转化发展而来，在空军的侦察预警网络和陆军的旅、营值班室以及雷达阵地之间建设军事综合信息网、指挥专网、内部局域网等，实现空情共享[4]，网络结构如图1所示。
　　其网络构建复杂，任务单一，防御能力较弱，敌军可能在网络内安插部件作为“肉鸡”，发送过载的命令信息导致网络奔溃，或者通过干扰器、假基站发送入侵数据包，进行DDoS攻击[2，5]。
　　本文提出了一种针对防空作战体系中军事综合信息网、指挥专网、内部局域网的DDoS攻击的防御检测方法—KNS。该方法基于集成学习的思想，对KNN、NBC和SVM进行集成，实现对入侵的恶意流量进行异常检测。
　　（1）首次將集成学习异常检测算法应用在防空作战体系中，并对DDoS攻击进行检测，据了解该项研究并无前任工作。
　　（2）设计了一种新颖的集成学习检测方法KNS。该方法对KNN、NB、SVM等三种基分类器进行集成，并通过Voting对结果进行整合，得到了异常检测强分类器。
　　（3）提出的方案将ML技术作为一种整体方法来检测恶意和非恶意流量。结果显示，所提出的KNS在应对DDoS攻击检测时，能够表现出较好的检测效果。
　　2 相关工作
　　赵桦筝等人[6]针对DDoS攻击，提出了一种报文特征提取方法，通过重构特征提高异常检测的精度。A.Saboor等人[7]提出了基于相关算法和IAFV（IP地址特征值）算法的DDoS攻击检测。他们使用带有滑动窗口的不同时间序列来提高检测率。李森等人[8]针对边防部队计算机网络DDoS攻击防范进行了研究，针对DDoS攻击进行了分析，提出了4种防范措施。Yavuzet等人[9]研究了遗传算法（GA）和近邻K（KNN），并将它们组合为检测攻击的模型。与传统的KNN分类器相比，实验混合系统提供了更为准确的结果。Saurav Nanda等人[10]使用贝叶斯网络，达到了91.68%的准确度，这表明在278，598次攻击中，他们的模型能够准确预测254，834次攻击。GisungKim等人[11]提出了一种混合学习模型来检测DDoS攻击并保护OpenFlow交换机。他们使用C4.5决策树创建了误用检测模型，然后（One Class SVM）创建了异常检测模型，以很好地应对未知攻击。赵振中等人[12]介绍了一种新颖的DDoS攻击，并且提出了一种基于数字信号处理的检测方法。Lohit Barki等人[13]使用了不同的机器学习技术，例如朴素贝叶斯（Naive Bayes）、K近邻、K-Means、K-medoids来检测DDoS攻击。他们发现，与其他公认的算法相比，朴素贝叶斯模型效果最好。
　　3 基分类器
　　3.1 KNN
　　KNN是一种机器学习分类方法，是数据挖掘技术的基础方法之一，其核心思想是数据样本的类别，均可以通过其周围的K个样本进行表示，其邻居的计算方式如公式（1）所示。
　　3.2 NBC
　　朴素贝叶斯分类算法是基于贝叶斯定理进行分类的算法，其原理是通过事件的先验概率，利用贝叶斯公式计算出后验概率，再通过判断后验概率，选择最大概率类作为该事件的所属类，在此，找到给定事件B的事件A的概率;A和B是事件，且P（B）≠0，计算公式如公式（2）所示。
　　3.3 SVM
　　SVM是用于解决分类问题的监督学习技术。假设支持向量是{（v1，y1），（v2，y2），…（vm，ym）}，并且它们的权重是{w1，w2，w3…wm}，然后使用公式（3）计算从x到每个支持向量的权重w，表示为公式（3）所示。
　　针对DDoS攻击，提出了基于集成学习的组合模型，并通过Voting策略对基分类器的结果进行整合，如图2所示提出了模型的体系结构。
　　KNN、NBC、SVM是机器学习中的监督学习算法，本文分别实现了KNN、NB和SVM异常检测结果，并和KNF检测结果进行了对比，具有更高的准确性，检测率和误报率。
　　5 实验结果和分析
　　Mininet是一种仿真工具，可帮助创建虚拟主机、控制器、交换机、主机。基于Mininet模拟环境，本文选择了Pox控制器，用于创建无线网络设置，其中一台服务器一次与另一台服务器随机通信。
　　MiniEdit创建的网络设置如图3所示。
　　创建网络设置后，包含数TCP、UDP、ICMP数据包记录的数据集被馈送到网络。然后，提取定性和定量特征，以确定每个分类器的性能。借助流量分类器模块，根据源和目的地的时间差来分离流量。在此，时间的阈值被设定为0.004秒。如果时间差小于0.004秒，则将数据包从源传输到合法用户。否则，将其视为攻击。实验一共采集数据集41260条（正常31223条，异常10037条），其中测试集12378条（正常9367条，异常流量3011条）。 　　本文通过四个性能指标来评估检测系统。
　　1）TN–正确分类的正常流量的百分比。
　　2）TP–正确分类的攻击流的百分比。
　　3）FP-错误分类为合法流（例如攻击）的百分比。
　　4）FN -被错误分类为合法的攻击流的百分比。
　　准确率：表示在数据集中正确识别异常流量的百分比，其计算定义如公式（4）所示。
　　提出的集成算法分别在实验数据集上进行了测试，并与KNN、NB、SVM进行了对比，结果如1表所示。
　　如表2所示，提出的方法能够获得准确率93.29%，检测率80.01%，误报率7.71%的检测结果，优于其他的异常检测方法。
　　6 结束语
　　本文提出了一种基于集成学习的KNS异常检测方法对防空作战体系环境下的DDoS攻击进行了检测，并基于准确性。检测率和误报率指标分析了所提出的方法。在提出的集成机器学习模型中，与简单的机器学习模型相比，KNS的准确性更高，检测率更高，误报率更低，将来计划进一步提升准确率。
　　参考文献
　　[1] 王道重，滕克难，孙媛，孙吉良.地空导弹网络化协同防空作战系统研究[J].指挥控制与仿真，2019，41（03）：5-9.
　　[2] 魏玉人，徐育军.DDoS攻击及防御技术综述[J].软件导刊， 2017，16（03）：173-175.
　　[3] 罗良彬，商长安，杨辉.区域防空作战体系网絡拓扑结构分析与建模[J].现代防御技术，2016，44（01）：10-15.
　　[4] 刘子敏，唐兴诚.现代防空作战的变化导向[J].国防科技， 2005（03）：67-70.
　　[5] 蒋南允，程光.智能电网入侵检测综述[J].网络空间安全， 2018， 9（1）：89-94.
　　[6] 赵桦筝，黄元浦，孙岭新，杜昊，郭凯文.面向DDoS入侵检测的报文特征提取方法[J].网络空间安全，2020， 11（3）：24-29.
　　[7] Saboor A， Aslam B. Analyses of flow based techniques to detect Distributed Denial of Service attacks[C]// International Bhurban Conference on Applied Sciences & Technology. IEEE， 2015.
　　[8] 李森.边防部队计算机网络DDoS攻击防范研究[J].中国信息化，2013，（18）：66-67.
　　[9] Canbay Y， Sagiroglu S. A Hybrid Method for Intrusion Detection[C]// IEEE International Conference on Machine Learning & Applications. IEEE， 2015.
　　[10] Nanda S， Zafari F， Decusatis C， et al. Predicting Network Attack Patterns in SDN using Machine Learning Approach[C]// IEEE Conference on Network Function Virtualization and Software Defined Networks （IEEE NFV-SDN） 2016. IEEE， 2016.
　　[11] Kim G， Lee S， Kim S. A novel hybrid intrusion detection method integrating anomaly detection with misuse detection[J]. Expert Systems with Applications， 2014， 41（4）：1690–1700.
　　[12] 赵振中，廖骏.基于DSP的Shrew DDoS攻击检测[J].网络空间安全，2019，10（6）： 1-8.
　　[13] Barki L， Shidling A， Meti N， et al. Detection of distributed denial of service attacks in software defined networks[C]// 2016 International Conference on Advances in Computing， Communications and Informatics （ICACCI）. IEEE， 2016.
转载注明来源:https://www.xzbu.com/1/view-15278587.htm