基于大数据的DDoS攻击态势感知关键技术研究

Key technology of the DDoS attack situation awareness based on big data is hot spot research in the new generation of network security. The existing network security situation awareness methods cannot solve the problem of different levels uncertain DDoS attack situation awareness resulting from big data environment. This project presented the deep parallel multi-classifier of DDoS attack based on Random Forest and Deep Neural Networks to achieve the identification and classification of different DDoS attacks in big data environment effctively. And this project established multi-source heterogeneous data Cross-domain classification integration model based on big data. At the same time, this project achieved effective and extensible processing capacity of DDoS attack situation assessment mechanism and early warning system by using multi-level deep parallel, cloud model, qualitative forecasting, time series analysis, etc. .The main research contents include: (1) analysis the characteristics of the normal flow and DDoS attack flow, establish the deep parallel multi-classifier of DDoS attack based on big data; (2) establish the multi-source heterogeneous data integration model of DDoS attack based on big data; (3) design and evaluate the multi-level deep parallel security situation evaluation mechanism based on big data; (4) establish an effective and extendible DDoS attack situation early warning framework and implement the prototype system, verify the effectiveness of the proposed model and mechanism. The development and key technologies of this project is expected to make contributions to the theory development and application practice in a new generation of network security.

基于大数据的DDoS攻击态势感知关键技术是新一代网络安全研究的难点和重点。现有网络安全态势感知技术无法应对大数据环境带来的不同层面的不确定的DDoS攻击态势感知问题。本项目设计基于随机森林和深度神经网络的DDoS攻击检测深度并行多分类器，构建基于大数据的DDoS攻击多源异构数据跨域分级融合模型，同时结合多层次深度并行、云模型、时间序列分析等算法使DDoS攻击态势评估机制与预警系统具有高效可扩展的处理能力。主要研究内容包括:(1)分析正常流和DDoS攻击流特征，建立基于大数据的DDoS攻击检测深度并行多分类器；(2)建立基于大数据的DDoS攻击多源异构数据融合模型；(3)设计和验证基于大数据的多层次深度并行安全态势评估机制；(4)建立基于大数据的高效可扩展的DDoS攻击态势预警框架并实现原型系统，验证提出的模型和机制的有效性。本项目研究的成果可望对新一代网络安全的理论发展和应用实践有所贡献。

基于大数据的DDoS攻击态势感知关键技术是新一代网络安全研究的难点和重点。现有网络安全态势感知技术无法应对大数据环境带来的不同层面的不确定的DDoS攻击态势感知问题。本项目设计基于随机森林和深度神经网络的DDoS攻击检测深度并行多分类器，构建基于大数据的DDoS攻击多源异构数据跨域分级融合模型，同时结合多层次深度并行、云模型时间序列分析等算法使DDoS攻击态势评估机制与预警系统具有高效可扩展的处理能力。本项目建立了基于大数据的可扩展的 DDoS攻击态势预警框架并实现原型系统，并验证提出的模型和机制的有效性，进一步提高了基于大数据的DDoS攻击态势感知技术的鲁棒性和可扩展性。.本项目在国家自然科学基金的支持下超额完成了研究任务，共取得112项成果，其中获海南省科学技术进步奖1项，获软件著作权16项；申请专利16项，已授权8项；发表47篇学术论文，其中SCI检索24篇、EI检索7篇，全国理论年会和国际优秀论文6篇；协助培养2名博士生和12名硕士生；获省部级奖励9项。此外，指导学生参加学科竞赛获国家级特等奖1项、一等奖5项，二等奖5项。本项目已超额完成研究任务，而且这些项目成果已在海南国安信息技术有限公司、海南海锐众创科技有限公司、中国联通海南省分公司应用，同时在海南大学计算机与科学技术学院的网络安全、计算机网络、网络新技术及人工智能等课程的教学中起到了良好的科普性作用，另外还有其中的一些成果已被国内外刊物所引用，受到一些资深学家的好评。本项目的研究成果有效的增强了网络信息系统在运行和维护过程中对于业务安全评估、安全度量、软件安全生命周期、SaaS（软件即服务）化的安全性，能进一步提高基于大数据的DDoS攻击态势感知技术的时效性、鲁棒性和感知预警能力，其研究的关键技术可望对新一代基于大数据的 DDoS 攻击态势感知技术的理论发展和应用实践有所贡献。