关于DDoS攻击检测的随机森林分类模型研究论文.pdf

简介：
本文探讨了一种基于随机森林算法的新型DDoS攻击检测模型，旨在提高网络防护系统的准确性和效率。通过大量实验验证了该方法的有效性与优越性。 分布式拒绝服务（DDoS）是当前常见的网络攻击方式之一。尽管基于机器学习算法如支持向量机(SVM)、隐马尔可夫模型(HMM)的DDoS攻击检测技术已取得一定进展，但在样本数量过多时容易出现过拟合问题，并且未充分利用上下文信息。为解决这些问题，本段落提出了一种基于随机森林（RFC）的DDoS攻击检测方法，使用数据流的信息熵作为分类标准。 具体而言，sourceIP、destinationIP和destinationPort分别代表数据流中的源地址、目的地址及目的端口。采用SIDI（sourceIP-destinationIP）、SIDP（sourceIP-destinationPort）以及DPDI（destinationPort-destinationIP）三个信息熵来表征三种多对一的特征，以分析TCP洪水攻击、UDP洪水攻击和ICMP洪水攻击等常见的DDoS攻击方式。 在此基础上，本段落利用基于随机森林分类模型分别针对上述三类DDoS攻击进行检测。实验结果表明该方法能够较为准确地区分正常流量与恶意流量，并且相较于HMM及SVM算法而言，在较高的检测率以及较低的误报率方面表现更佳。