公开(公告)号：CN114745194B

公开(公告)日：2022-11-01

申请号：CN202210440173.X

申请日：2022-04-25

Applicant: 东北林业大学

Inventor： 李清锋 ,  李博 ,  温林郅 ,  温雪岩 ,  陈家骏

IPC: H04L9/40 ,  G06N3/00

Abstract: 本发明提出涉及一种SDN环境下基于集成学习的DDoS检测方法、装置、电子设备及存储介质，属于DDoS检测技术领域。包括以下步骤：S1.搭建SDN网络环境，获取交换机的流表消息；S2.将S1所述流表消息进行计算处理，以每个交换机作为处理对象，得到最终的数据；S3.构建集成学习模型；S4.输入S2所述数据至集成学习模型中，输出检测结果。本发明实现了能够实时更新DDos检测模型的同时，采用了集成学习的方式，既增强了模型的鲁棒性，又能够增强模型的表达能力，降低实验结果的误差。解决了现有技术中存在的不能实时优化更新模型，SVM单一算法普适性不高，准确率等指标偏低的技术问题。

公开(公告)号：CN114745194A

公开(公告)日：2022-07-12

申请号：CN202210440173.X

申请日：2022-04-25

Applicant: 东北林业大学

Inventor： 李清锋 ,  李博 ,  温林郅 ,  温雪岩 ,  陈家骏

IPC: H04L9/40 ,  G06N3/00

Abstract: 本发明提出涉及一种SDN环境下基于集成学习的DDoS检测方法、装置、电子设备及存储介质，属于DDoS检测技术领域。包括以下步骤：S1.搭建SDN网络环境，获取交换机的流表消息；S2.将S1所述流表消息进行计算处理，以每个交换机作为处理对象，得到最终的数据；S3.构建集成学习模型；S4.输入S2所述数据至集成学习模型中，输出检测结果。本发明实现了能够实时更新DDos检测模型的同时，采用了集成学习的方式，既增强了模型的鲁棒性，又能够增强模型的表达能力，降低实验结果的误差。解决了现有技术中存在的不能实时优化更新模型，SVM单一算法普适性不高，准确率等指标偏低的技术问题。