-
公开(公告)号：CN114095222B
公开(公告)日：2022-11-11
申请号：CN202111337559.X
申请日：2021-11-10
Applicant: 湖南大学
Abstract: 本发明公开了一种基于感知线性预测和SVDD的LDoS攻击检测方法，属于计算机网络安全领域。其中所述的方法包括：以相同的采样间隔对到达路由器的数据包数量进行采样，并用分帧和加窗的方式对采样得到的流量数据进行预处理得到短时频谱。对预处理后得到的短时频谱进行短时傅里叶变换得到短时能量谱，再对短时能量谱进行临界频带分析，然后进行感知线性预测分析，提取感知线性预测系数作为感知线性预测特征。用感知线性预测特征训练集成SVDD分类器构建LDoS攻击检测模型准确区分正常流量和LDoS攻击流量，对网络中的LDoS攻击进行检测。本发明提出的基于感知线性预测和SVDD算法的LDoS攻击检测方法具有较高的准确率和较低的误报率，是一种有效的检测LDoS攻击的方法。
-
Patent Agency Ranking
公开(公告)号：CN114095222A
公开(公告)日：2022-02-25
申请号：CN202111337559.X
申请日：2021-11-10
Applicant: 湖南大学
Abstract: 本发明公开了一种基于感知线性预测和SVDD的LDoS攻击检测方法，属于计算机网络安全领域。其中所述的方法包括：以相同的采样间隔对到达路由器的数据包数量进行采样，并用分帧和加窗的方式对采样得到的流量数据进行预处理得到短时频谱。对预处理后得到的短时频谱进行短时傅里叶变换得到短时能量谱，再对短时能量谱进行临界频带分析，然后进行感知线性预测分析，提取感知线性预测系数作为感知线性预测特征。用感知线性预测特征训练集成SVDD分类器构建LDoS攻击检测模型准确区分正常流量和LDoS攻击流量，对网络中的LDoS攻击进行检测。本发明提出的基于感知线性预测和SVDD算法的LDoS攻击检测方法具有较高的准确率和较低的误报率，是一种有效的检测LDoS攻击的方法。
-
公开(公告)号：CN112804248A
公开(公告)日：2021-05-14
申请号：CN202110120506.6
申请日：2021-01-28
Applicant: 湖南大学
Abstract: 本发明公开了一种基于频域特征融合的LDoS攻击检测方法，属于计算机网络安全领域。其中所述方法包括：首先，获取路由器中的网络数据报文，得到样本序列；然后，基于离散傅里叶变换和离散小波变换将样本序列从时间域变换到频率域，充分地提取样本序列的频域特征；接着，采用线性判别分析将提取的频域特征进行特征融合得到判定特征，从而能够显著提高特征的分类性能；最后，将判定特征输入到事先训练好的单类分类异常检测模型，并根据异常检测模型的输出，对该单位时间内的网络数据报文进行判定检测，若异常检测模型的输出为‑1，则判定该单位时间内网络中发生了LDoS攻击。本发明提出的基于频域特征融合的检测方法能高效、快速、准确地检测LDoS攻击。
-
公开(公告)号：CN112291193A
公开(公告)日：2021-01-29
申请号：CN202011015908.1
申请日：2020-09-24
Applicant: 湖南大学
Abstract: 本发明公开了一种基于NCS‑SVM的慢速拒绝服务(LDoS)攻击检测方法，属于网络安全领域。其中所述方法包括：以一个时间窗口为检测单位，实时获取检测网络的TCP流量，对该时间窗口内TCP流量进行原始数据解析，采用逆向云生成器将时间窗口内的TCP流量映射到云空间中生成正态云模型，并使用其期望曲线刻画TCP流量的分布形态特征；根据事先利用无攻击的TCP流量生成的基准云模型作为计算相似度的基准，定量计算该时间窗口内TCP流量对应的云模型与基准云模型之间的相似度，并将相似度输入到预先训练的支持向量机分类器中，根据相关判定准则，是否存在因LDoS攻击导致的TCP流量分布形态异常，导致该时间窗口云模型和基准云模型相似度远小于1，来检测该时间窗口内是否受到LDoS攻击。本发明提出的基于TCP流量分布形态特征的检测方法能高效、快速地检测LDoS攻击。
-
公开(公告)号：CN112804248B
公开(公告)日：2022-02-01
申请号：CN202110120506.6
申请日：2021-01-28
Applicant: 湖南大学
Abstract: 本发明公开了一种基于频域特征融合的LDoS攻击检测方法，属于计算机网络安全领域。其中所述方法包括：首先，获取路由器中的网络数据报文，得到样本序列；然后，基于离散傅里叶变换和离散小波变换将样本序列从时间域变换到频率域，充分地提取样本序列的频域特征；接着，采用线性判别分析将提取的频域特征进行特征融合得到判定特征，从而能够显著提高特征的分类性能；最后，将判定特征输入到事先训练好的单类分类异常检测模型，并根据异常检测模型的输出，对该单位时间内的网络数据报文进行判定检测，若异常检测模型的输出为‑1，则判定该单位时间内网络中发生了LDoS攻击。本发明提出的基于频域特征融合的检测方法能高效、快速、准确地检测LDoS攻击。
-
公开(公告)号：CN112291193B
公开(公告)日：2022-11-11
申请号：CN202011015908.1
申请日：2020-09-24
Applicant: 湖南大学
Abstract: 本发明公开了一种基于NCS‑SVM的慢速拒绝服务(LDoS)攻击检测方法，属于网络安全领域。其中所述方法包括：以一个时间窗口为检测单位，实时获取检测网络的TCP流量，对该时间窗口内TCP流量进行原始数据解析，采用逆向云生成器将时间窗口内的TCP流量映射到云空间中生成正态云模型，并使用其期望曲线刻画TCP流量的分布形态特征；根据事先利用无攻击的TCP流量生成的基准云模型作为计算相似度的基准，定量计算该时间窗口内TCP流量对应的云模型与基准云模型之间的相似度，并将相似度输入到预先训练的支持向量机分类器中，根据相关判定准则，是否存在因LDoS攻击导致的TCP流量分布形态异常，导致该时间窗口云模型和基准云模型相似度远小于1，来检测该时间窗口内是否受到LDoS攻击。本发明提出的基于TCP流量分布形态特征的检测方法能高效、快速地检测LDoS攻击。
-
-
-
-
-
Search Results
6
records
(took 0.012 seconds)
