基于多核学习的自适应DDoS攻击检测方法

分布式拒绝服务（DDoS）攻击给社会带来了巨大的经济损失。它们已成为互联网安全的主要威胁之一。目前大多数基于单一特征和固定模型参数的检测方法都无法有效地检测云和大数据环境中的早期DDoS攻击。本文提出了一种基于多核学习（MKL）的自适应DDoS攻击检测方法（ADADM）。基于DDoS攻击流的突发性，地址的分布和通信的交互性，我们定义了五个特征来描述网络流的特性。基于集成学习框架，通过梯度上升增加类间平均值并通过梯度下降减少类内方差来自适应地调整每个维度的权重，并建立分类器以识别早期DDoS攻击训练具有两个特征的简单多核学习（SMKL）模型，包括类间均方差增长（M-SMKL）和类内方差下降（S-SMKL）。滑动窗口机制用于协调S-SMKL和M-SMKL以检测早期DDoS攻击。实验结果表明，该方法能够及早，准确地检测出DDoS攻击。