摘  要： 利用BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)，結(jié)合粒子群優(yōu)化算法的全局搜索和遺傳算法的快速收斂特性檢測(cè)DDoS攻擊行為。實(shí)驗(yàn)證明，新算法具有速度快、檢測(cè)率高和誤報(bào)率低的特點(diǎn)，能很好地應(yīng)用于檢測(cè)和抵御DDoS攻擊。
關(guān)鍵詞： DDoS；BP神經(jīng)網(wǎng)絡(luò)；粒子群算法；遺傳算法

　DDoS是一種分布式大規(guī)模流量攻擊方式，通過(guò)控制互聯(lián)網(wǎng)上傀儡機(jī)對(duì)目標(biāo)服務(wù)器發(fā)動(dòng)攻擊，產(chǎn)生的大量數(shù)據(jù)流涌向目標(biāo)服務(wù)器，消耗服務(wù)器系統(tǒng)資源和帶寬，或把鏈接占滿，從而影響合法用戶的訪問(wèn)。實(shí)施DDoS攻擊一般都會(huì)偽造源IP地址，具有隱蔽性強(qiáng)、并發(fā)數(shù)高、攻擊流量大、破壞力強(qiáng)、涉及范圍廣的特點(diǎn)。傳統(tǒng)的DDoS檢測(cè)方法很難界定突發(fā)流量與DDoS攻擊流量。本文提出一種基于粒子群BP神經(jīng)網(wǎng)絡(luò)的流量檢測(cè)模型，結(jié)合粒子群算法的全局搜索和遺傳算法的快速收斂特性檢測(cè)DDoS攻擊行為，最后通過(guò)實(shí)驗(yàn)證明，新算法能夠快速、準(zhǔn)確地檢測(cè)到各類DDoS攻擊，具有很強(qiáng)的應(yīng)用價(jià)值。
1 DDos攻擊方式和檢測(cè)方法
　DDoS攻擊基于TCP 3次握手協(xié)議，按攻擊方式分為直接型攻擊和反射式攻擊兩類。直接型攻擊是通過(guò)控制傀儡機(jī)向目標(biāo)服務(wù)器發(fā)送大量數(shù)據(jù)流，耗盡服務(wù)器系統(tǒng)資源直至癱瘓。反射式攻擊是偽造服務(wù)器IP向主機(jī)群發(fā)送虛假連接請(qǐng)求，致使主機(jī)群應(yīng)答信息涌向服務(wù)器（如ＤＮＳ請(qǐng)求只有60 B，應(yīng)答信息卻有4 320 B，反射70多倍流量），通過(guò)占盡服務(wù)器接入帶寬和連接上限阻止合法用戶的訪問(wèn)。
　針對(duì)DDoS攻擊通常采用的是基于特征庫(kù)匹配檢測(cè)、基于數(shù)據(jù)挖掘攻擊檢測(cè)和蜜罐技術(shù)[1]。特征庫(kù)匹配檢測(cè)需要搜集DDoS攻擊數(shù)據(jù)包各種特征建立特征庫(kù)，服務(wù)器對(duì)虛假連接請(qǐng)求特征進(jìn)行匹配，若吻合則視為攻擊。這種檢測(cè)方法依賴于攻擊特征的描述，對(duì)檢測(cè)漏洞型DDoS很有效，但無(wú)法識(shí)別大量沒(méi)有協(xié)議特征的攻擊。基于數(shù)據(jù)挖掘攻擊檢測(cè)方法通過(guò)對(duì)數(shù)據(jù)包流量特征分析，將其中規(guī)律轉(zhuǎn)換為檢測(cè)規(guī)則，再根據(jù)網(wǎng)絡(luò)流量特征是否偏離正常流量模型來(lái)判斷攻擊行為，其最大優(yōu)點(diǎn)是能夠檢測(cè)沒(méi)有協(xié)議特征的變種DDoS攻擊，但是流量樣本本身具有一定的隨機(jī)性，使得算法復(fù)雜，計(jì)算量大，挖掘速率和準(zhǔn)確性不高。蜜罐原本是一種網(wǎng)絡(luò)誘騙技術(shù)，通過(guò)偽裝真實(shí)系統(tǒng)特征吸引攻擊者攻擊蜜罐系統(tǒng)，而真正的服務(wù)器得以正常運(yùn)行。蜜罐不能控制和阻斷攻擊行為，只有遭受攻擊后才能檢測(cè)到攻擊，屬于被動(dòng)防御。上述3種方法都不能很好地解決復(fù)雜網(wǎng)絡(luò)下DDoS欺騙攻擊，相應(yīng)的檢測(cè)技術(shù)已明顯滯后于攻擊手段的更新。而抵御DDoS攻擊的核心在于檢測(cè)，因?yàn)橹挥袡z測(cè)到攻擊行為防火墻才能實(shí)施包過(guò)濾，IDS才能追蹤攻擊源，服務(wù)器才能拆除虛假連接回收系統(tǒng)資源。如何檢測(cè)DDoS攻擊行為，提高算法匹配效率和準(zhǔn)確率一直都是研究的難點(diǎn)和熱點(diǎn)，也是目前亟待解決的問(wèn)題。
　本文提出一種基于粒子群BP神經(jīng)網(wǎng)絡(luò)的流量檢測(cè)模型，結(jié)合粒子群算法的全局搜索和遺傳算法的快速收斂特性用于檢測(cè)DDoS攻擊行為。
2 BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)算法
　BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)性由正向傳播和反向傳播構(gòu)成。正向傳播時(shí)數(shù)據(jù)從輸入層流經(jīng)各個(gè)隱含層處理后通過(guò)輸出層輸出結(jié)果。若期望值與輸出結(jié)果偏差大于預(yù)設(shè)閾值，采用反向傳播梯度法調(diào)整，重復(fù)兩個(gè)過(guò)程直到偏差小于預(yù)設(shè)精度為止，從而學(xué)習(xí)和存儲(chǔ)大量的輸入輸出映射關(guān)系，算法如下。
?。?）初始化神經(jīng)網(wǎng)絡(luò)向量。BP網(wǎng)絡(luò)通過(guò)反復(fù)改變輸入權(quán)值，使輸出結(jié)果不斷接近最優(yōu)值。若輸入層有n個(gè)神經(jīng)元，隱含層有p個(gè)神經(jīng)元，輸出層有q個(gè)神經(jīng)元，變量定義如下：

　（7）判斷誤差是否小于預(yù)設(shè)精度或最大迭代次數(shù)，滿足條件則輸出計(jì)算結(jié)果，否則返回到步驟（3），選取下一個(gè)學(xué)習(xí)樣本進(jìn)入下一輪學(xué)習(xí)。
　通過(guò)大量實(shí)例樣本學(xué)習(xí)，BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)特性不僅可以檢測(cè)出流量中的DDoS攻擊，還能識(shí)別未知攻擊行為，從而克服傳統(tǒng)依賴特征庫(kù)匹配才能檢測(cè)DDoS攻擊的局限性。對(duì)DARPA 2000年數(shù)據(jù)分析表明，BP神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確檢測(cè)間歇式DDoS流量攻擊。為此，攻擊者攻擊手段也隨之發(fā)生變化，從傳統(tǒng)的恒速攻擊和間歇式攻擊轉(zhuǎn)變?yōu)榱髁繚u增式攻擊和間歇式與速率漸增式組合攻擊。此時(shí)，該方法需要學(xué)習(xí)流量中更多樣本才能識(shí)別攻擊行為，收斂速度慢，預(yù)設(shè)精度容易使算法陷入局部最優(yōu)現(xiàn)象，影響檢測(cè)率和誤報(bào)率。
3 粒子群算法
　粒子群算法（PSO）是基于鳥(niǎo)類群體行為研究的模擬算法。鳥(niǎo)群在封閉空間隨機(jī)搜索食物，并且在這個(gè)空間只有一個(gè)全局最優(yōu)值。假如所有鳥(niǎo)都知道當(dāng)前位置與搜索食物之間距離，那么找到全局最優(yōu)解的最優(yōu)方案就是從身邊最近的鳥(niǎo)周圍區(qū)域進(jìn)行搜尋[2]。在粒子群算法中，尋找最優(yōu)問(wèn)題的每個(gè)解對(duì)應(yīng)搜索空間的每只鳥(niǎo)，稱為粒子。每個(gè)粒子的初始化向量代表鳥(niǎo)的飛行位置和速度，每個(gè)粒子通過(guò)尋找附近粒子迭代搜尋最優(yōu)解，具體算法如下。

4 粒子群遺傳算法在BP神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
　BP網(wǎng)絡(luò)在檢測(cè)DDoS攻擊中需要事先建立網(wǎng)絡(luò)正常流量參考標(biāo)準(zhǔn)，初始化權(quán)值和閾值參數(shù)難以確定，設(shè)置過(guò)小會(huì)使算法難以收斂，過(guò)大會(huì)陷入局部最優(yōu)。在復(fù)雜網(wǎng)絡(luò)中DDoS攻擊具有間歇式和流量漸增式特點(diǎn)，攻擊行為和流量特征往往不是簡(jiǎn)單的一對(duì)一等價(jià)關(guān)系，導(dǎo)致無(wú)法檢測(cè)未知行為攻擊。而PSO算法全局搜索能力強(qiáng)，但是收斂速度過(guò)慢，并且容易陷入局部最優(yōu)解。因此本文提出基于BP網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)的粒子群遺傳算法。
4.1 新算法實(shí)現(xiàn)思想
　新算法首先通過(guò)PSO搜索最優(yōu)位置向量，將網(wǎng)絡(luò)流量及其參數(shù)量化為每個(gè)粒子并初始化狀態(tài)，從而構(gòu)建神經(jīng)網(wǎng)絡(luò)粒子群，找出全局最優(yōu)極值范圍，以此作為BP網(wǎng)絡(luò)的初始閾值，再引入遺傳算法和變異算子加速向最優(yōu)解的收斂速度和避免早熟現(xiàn)象。若得到的結(jié)果偏差超出PSO提供的預(yù)設(shè)閾值，再重復(fù)搜索過(guò)程，直到找出全局最優(yōu)解。新算法融合PSO全局搜索能力、BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程和遺傳算法的快速收斂?jī)?yōu)點(diǎn)，設(shè)計(jì)步驟如下。
　（1）確定BP網(wǎng)絡(luò)隱含層數(shù)量，對(duì)每一網(wǎng)絡(luò)流量進(jìn)行粒子群編碼，并進(jìn)行粒子群初始化。
?。?）利用PSO算法找出全局最優(yōu)極值范圍，并判斷是否滿足結(jié)束條件（全局極值收斂速度大于偏導(dǎo)數(shù)δo或最大迭代次數(shù)）。如果滿足結(jié)束條件則進(jìn)入步驟（3）BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程，否則根據(jù)式（7）和式（8）更新粒子的速度和位置，并重復(fù)本步驟。
?。?）將PSO找出的全局極值作為BP網(wǎng)絡(luò)的初始閾值并進(jìn)入學(xué)習(xí)過(guò)程，引入遺傳變異算法向最優(yōu)解加速收斂。
?。?）判斷結(jié)果是否滿足條件（群體適應(yīng)度是否陷入局部最優(yōu)和結(jié)果是否小于極值范圍），如果都滿足，則輸出最優(yōu)值；否則返回步驟（2）繼續(xù)PSO算法的全局搜索。新算法流程圖1所示。
4.2 早熟現(xiàn)象判定與處理
　PSO中的粒子當(dāng)前位置和速度依靠個(gè)體極值和全局極值來(lái)引導(dǎo)，當(dāng)粒子發(fā)現(xiàn)更優(yōu)值時(shí)，其他粒子受到更優(yōu)值吸引迅速聚攏，如果集聚點(diǎn)并非全局最優(yōu)解，表示PSO陷入局部最優(yōu)現(xiàn)象，加上遺傳迭代，粒子之間的差異越來(lái)越小，導(dǎo)致早熟收斂。由于粒子個(gè)體適應(yīng)度大小是由粒子個(gè)體位置和速率決定的，此時(shí)可以根據(jù)粒子整體適應(yīng)度狀態(tài)判斷種群是否陷入局部最優(yōu)。
　基于此思想，新算法根據(jù)適應(yīng)度判斷是否過(guò)早收斂，經(jīng)過(guò)BP網(wǎng)絡(luò)訓(xùn)練后，樣本輸出的誤差總和均值為：

　遺傳算法的變異算子將群體中優(yōu)良個(gè)體通過(guò)交叉和變異操作遺傳到下一代，維持種群的多樣性，并且可以防止算法過(guò)早收斂的現(xiàn)象。
5 實(shí)驗(yàn)測(cè)試
5.1 流量樣本特征采集和建模
　本文以KDD99CUP作為實(shí)驗(yàn)基礎(chǔ)數(shù)據(jù)，通過(guò)對(duì)樣本采集進(jìn)行訓(xùn)練。本文選取1 000個(gè)模擬節(jié)點(diǎn)，用Sniffer抓包采集網(wǎng)絡(luò)500組流量特征樣本，其中包含正常的客戶機(jī)連接請(qǐng)求和間歇式與速率漸增式DDoS攻擊，典型采樣結(jié)果如表1所示。

　從以上500組數(shù)據(jù)量化為PSO粒子群并初始化狀態(tài)參數(shù)，選取典型200個(gè)粒子作為訓(xùn)練數(shù)據(jù)集，初始化種群微粒個(gè)數(shù)為20，測(cè)試函數(shù)維數(shù)分別為10、20、30，對(duì)應(yīng)的最大迭代次數(shù)分別為500、1 000和100，設(shè)置初始慣性權(quán)重w=0.9，加速系數(shù)c1和c2為2.00。網(wǎng)絡(luò)有4個(gè)輸入節(jié)點(diǎn)和3個(gè)輸出節(jié)點(diǎn)，確定BP網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。其中i、j、k分別代表輸入層、隱含層和輸出層的層數(shù)。因此網(wǎng)絡(luò)中需要尋找24個(gè)高斯函數(shù)中心矢量，6個(gè)基寬向量和18個(gè)輸出層連接權(quán)值，共48個(gè)參數(shù)，即算法中的粒子將在48維空間搜索滿足最小均方誤差要求的最優(yōu)解。

　從表2可以看出，在給定迭代次數(shù)下，新算法測(cè)試結(jié)果比PSO更接近最優(yōu)值，計(jì)算精度有明顯提高，充分體現(xiàn)了新算法的卓越性。
　在實(shí)驗(yàn)中，PSO算法參數(shù)初始化粒子數(shù)為200，加速因子c1=c2=2，最大迭代次數(shù)為2 000。新算法迭代次數(shù)和初始化粒子數(shù)等同于PSO算法，變異算子中的rand取值[0，1]，適應(yīng)度Pm與迭代次數(shù)的測(cè)試結(jié)果如圖3所示。

　從圖3可以看出，新算法收斂速度快、誤差小，性能明顯優(yōu)于PSO算法。當(dāng)加速因子c1=c2=2時(shí)，新算法在迭代1 000次后無(wú)明顯變化，找出全局最優(yōu)解，而PSO算法要迭代到1 450次左右才趨于穩(wěn)定，表明新算法通過(guò)變異算子向最優(yōu)解加收斂，搜索的空間復(fù)雜度大為減少。
5.3 新算法檢測(cè)率分析
　實(shí)驗(yàn)選取1 000個(gè)模擬節(jié)點(diǎn)對(duì)服務(wù)器發(fā)動(dòng)SYN flood、LAND attack、TCP混亂數(shù)據(jù)包攻擊、WEB Server多連接攻擊、Web Server變種攻擊和僵尸網(wǎng)絡(luò)DDoS攻擊共6種攻擊方式，流量上采用漸增式和間歇式組合攻擊，測(cè)試新算法對(duì)攻擊行為的檢測(cè)能力，結(jié)果如表3所示。

　從表3數(shù)據(jù)可以看出，對(duì)于帶有明顯特征的DDoS攻擊行為（如SYN Flood和LAND Attack），3種算法檢測(cè)率和誤報(bào)率差別不大，新算法略有優(yōu)勢(shì)。然而對(duì)于未知行為和沒(méi)有明顯特征的DDoS攻擊行為，如僵尸網(wǎng)絡(luò)發(fā)動(dòng)的DDoS變種攻擊，僵尸主機(jī)通過(guò)偽造虛假IP地址發(fā)送大量SYN/ACK應(yīng)答，使僵尸網(wǎng)絡(luò)中攻擊端發(fā)送的SYN請(qǐng)求與ACK應(yīng)答數(shù)量達(dá)到平衡，攻擊特征消失，此時(shí)基于特征匹配檢測(cè)方法幾乎失效，PSO檢測(cè)率也不高，而新算法優(yōu)勢(shì)明顯。
　新算法結(jié)合PSO全局搜索、BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)和遺傳算法快速收斂的優(yōu)點(diǎn)，檢測(cè)DDoS攻擊行為十分有效，可以檢測(cè)未知攻擊行為，可以將正常行為和攻擊行為區(qū)別開(kāi)來(lái)，具有較高的檢測(cè)率和較低的誤報(bào)率。
參考文獻(xiàn)
[1] 李清華，張美鳳．基于改進(jìn)BP網(wǎng)絡(luò)的染色合格率預(yù)測(cè)[J]．微計(jì)算機(jī)信息，2006（4）：93-95．
[2] 徐仙偉，葉小嶺．遺傳算法優(yōu)化BP網(wǎng)絡(luò)初始權(quán)重用于入侵檢測(cè)[J]．計(jì)算機(jī)應(yīng)用研究，2005（3）：38-42．
[3] 危勝軍，胡昌振，姜飛．基于BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的入侵檢測(cè)方法[J]．計(jì)算機(jī)工程，2005（13）：89-94．
[4] 仲兆滿，李存華．基于神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)入侵檢測(cè)系統(tǒng)的研究和實(shí)現(xiàn)[J]．計(jì)算機(jī)工程與應(yīng)用，2007（30）：126-130．
[5] 易曉梅，陳波，蔡家楣．入侵檢測(cè)的進(jìn)化神經(jīng)網(wǎng)絡(luò)研究[J]．計(jì)算機(jī)工程，2009（2）：103-108．
[6] 潘昊，侯清蘭．基于粒子群優(yōu)化算法的BP網(wǎng)絡(luò)學(xué)習(xí)研究[J]．計(jì)算機(jī)工程與應(yīng)用，2006（16）：41-43．
[7] 曹承志，劉洋．基于改進(jìn)粒子群算法的BP網(wǎng)絡(luò)在DTC系統(tǒng)中的轉(zhuǎn)速辨識(shí)[J]．系統(tǒng)仿真學(xué)報(bào)，2008（20）：77-81．
[8] 宋乃華，邢清華．一種新的基于粒群優(yōu)化的BP網(wǎng)絡(luò)學(xué)習(xí)算法[J]．計(jì)算機(jī)工程，2006（14）：181-183．
[9] Yu Zhenwe． An automatically tuning intrusion detection system[J]． Systems Man and Cybernetics，2007（2）：373-384．
[10] PARIKH D，CHEN T．Data fusion and cost minimization for intrusion detection[J]． Information Forensics and Security，2008（3）：381-389．
[11] BACE M． National institute of standards and technology[J]．NIST Special Publication on Intrusion Detection Systems，2000（7）：76- 79．
[12] LIPPMANN R， CUNNINGHAM R． Improving intrusion detection performance using keyword selection and neural networks[J]． Computer Networks，2000（4）：597-603．
[13] RICHARD LIPPMANN， ROBERT K CUNNINGHAM．Improving intrusion detection performance using key word selection and neural networks[J]． Computer Networks， 2000（9）：137-144．
[14] LI W， CANINI M， MOORE A． Efficient application identification and the temporal and spatial stability of classification schema[J]． Computer Networks， 2009（7）：252-261．
[15] LI W， CANINI M， MOORE A W． Efficient application identification and the temporal and spatial stability of classification schema [J]． Computer Networks， 2009（6）：790-809．
[16] CHE Z H． PSO-based back-propagation artificial neural network for product and mold cost estimation of plastic injection molding[J]． Computers and Industrial Engineering，2010（10）：236-242．
[17] KENNEDY J． Particle swarm optimization[J]． Neural Networks， 1995（10）：236-242．
[18] BAHEER A， HAJMEER M． Artificial neural networks fundamentals[J]． Computing Design and Application， 2000（10）：168-175．
[19] SUN J， FENG B． Particle swarm optimization with particleshaving quantum behavior[J]． Evolutionary Computation， 2004（5）：232-230．
[20] DORIGO M， BONABEAU E． Ant algorithms and stigmergy[J]. Future Generation Computer Systems， 2000（11）：269-275．