-
公开(公告)号：CN110351291A
公开(公告)日：2019-10-18
申请号：CN201910647498.3
申请日：2019-07-17
Applicant: 海南大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的DDoS攻击检测方法及装置，属于互联网技术领域。所述方法包括：获取网络流量，定义所述网络流量的特征提取规则；通过所述特征提取规则，提取所述网络流量的灰度矩阵特征；根据所述灰度矩阵特征，建立多尺度卷积神经网络模型；基于所述多尺度卷积神经网络模型，检测所述网络流量的DDoS攻击。采用本发明，可以提高DDoS攻击检测的检测率。
-
公开(公告)号：CN110351291B
公开(公告)日：2021-07-13
申请号：CN201910647498.3
申请日：2019-07-17
Applicant: 海南大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的DDoS攻击检测方法及装置，属于互联网技术领域。所述方法包括：获取网络流量，定义所述网络流量的特征提取规则；通过所述特征提取规则，提取所述网络流量的灰度矩阵特征；根据所述灰度矩阵特征，建立多尺度卷积神经网络模型；基于所述多尺度卷积神经网络模型，检测所述网络流量的DDoS攻击。采用本发明，可以提高DDoS攻击检测的检测率。
-
公开(公告)号：CN109040113A
公开(公告)日：2018-12-18
申请号：CN201811027529.7
申请日：2018-09-04
Applicant: 海南大学
IPC: H04L29/06
CPC classification number: H04L63/1416 , H04L63/1425 , H04L63/1458
Abstract: 本发明公开了一种基于多核学习的分布式拒绝服务攻击检测方法及装置，所述方法包括：在预设时间段内分别对正常网络流和攻击网络流进行采样，并提取五种特征值，得出正常样本集和攻击样本集，构成训练集；基于集成学习框架，分别采用梯度上升法和梯度下降法两种方式，自适应的调整训练集的五种特征值的权重，以得出两种训练好的多核学习模型；基于两种训练好的多核学习模型，通过滑动窗口机制，检测分布式拒绝服务攻击。本发明可以有效地降低分布式拒绝服务攻击检测的误报率和漏报率，提高对早期分布式拒绝服务攻击检测的准确性。
-
公开(公告)号：CN109040113B
公开(公告)日：2021-03-19
申请号：CN201811027529.7
申请日：2018-09-04
Applicant: 海南大学
IPC: H04L29/06
Abstract: 本发明公开了一种基于多核学习的分布式拒绝服务攻击检测方法及装置，所述方法包括：在预设时间段内分别对正常网络流和攻击网络流进行采样，并提取五种特征值，得出正常样本集和攻击样本集，构成训练集；基于集成学习框架，分别采用梯度上升法和梯度下降法两种方式，自适应的调整训练集的五种特征值的权重，以得出两种训练好的多核学习模型；基于两种训练好的多核学习模型，通过滑动窗口机制，检测分布式拒绝服务攻击。本发明可以有效地降低分布式拒绝服务攻击检测的误报率和漏报率，提高对早期分布式拒绝服务攻击检测的准确性。
-
-
-
Search Results
4
records
(took 0.037 seconds)
