软件定义网络中基于XGBoost算法的DDoS攻击检测

信息安全研究 ›› 2021, Vol. 7 ›› Issue (11): 1031-.

软件定义网络中基于XGBoost算法的DDoS攻击检测

李曼1 车向北1 张宗包1 唐沁婷2 田源2 李剑2

1（深圳供电局有限公司电力调度控制中心广东深圳 518048）
2（北京邮电大学人工智能学院北京 100876 ）

出版日期:2021-11-07 发布日期:2021-11-05
通讯作者: 李曼高级工程师．主要研究方向为电力行业监控系统网络与信息安全. liman_1212@126.com
作者简介:李曼高级工程师．主要研究方向为电力行业监控系统网络与信息安全. liman_1212@126.com 车向北硕士研究生，高级工程师．主要研究方向为电力行业电力监控系统网络安全. chexiangbei@163.com 张宗包硕士研究生，高级工程师．主要研究方向为电网调度自动化. zbzhangwhu@163.com 唐沁婷硕士研究生．主要研究方向为自然语言处理、文本分类. tangqinting@126.com 田源博士研究生．主要研究方向为信息安全、大数据隐私保护、量子密码学. redrainiety@bupt.edu.cn 李剑教授，博士生导师．主要研究方向为信息安全、量子密码学. lijian@bupt.edu.cn

XGBoost Based DDoS Detection in Software-Defined Networking（SDN）

Online:2021-11-07 Published:2021-11-05

摘要/Abstract

摘要： 准确且快速地检测分布式拒绝服务（DDoS）攻击是安全领域的一个重要研究课题，为了提高软件定义网络（SDN）中DDoS攻击的检测率，采用XGBoost算法来对网络中的流量进行建模．该方法根据攻击发生时的流量信息提取特征并进行训练，能够有效的检测DDoS攻击．在实验中，采用mininet和floodlight模拟平台搭建SDN环境，使用HPing3来生成不正常的网络流量．实验结果表明，在SDN中进行DDoS攻击检测时，该方法平均准确率为95.34%，与其他机器学习方法相比准确率更高，这证明了该方法的有效性．

关键词: 分布式拒绝服务攻击检测, 软件定义网络, XGBoost, 机器学习, 特征提取

Abstract: Accurate and fast detection of distributed denial of service (DDoS) attacks is an important research topic in the security field. In order to improve the detection rate of DDoS attacks in Software-Defined Networking (SDN), XGBoost is used to model the traffic in the network. According to the traffic information when the attack occurs, this method can extract features and train a model, which can effectively detect DDoS attacks. In experiments, mininet and floodlight are used to build SDN environment, and HPing3 is used to generate abnormal network traffic results show that the average accuracy of this method is 95.34% when detecting DDoS attacks in SDN, which is higher than other machine learning methods, which proves the effectiveness of this method.

Key words: DDoS, software defined networking, XGBoost, machine learning;feature extraction

李曼车向北张宗包唐沁婷田源李剑. 软件定义网络中基于XGBoost算法的DDoS攻击检测[J]. 信息安全研究, 2021, 7(11): 1031-.

参考文献

黄颖祺, 卢赓, 张宏，斌等. 软件定义网络的安全问题及对策研究[J]. 信息安全研究, 2020, 6(3): 202-211
Zhang Heng, Cai Zhiping, Liu Qiang, et al. A survey on security-aware measurement in SDN[J]. Security and Communication Networks, 2018，2018: 1-14
Cao Jiahao, Xu Mingwei, Li Qi, et al. Disrupting SDN via the data plane: A low-rate flow table overflow attack[C] //Proc of the 13th EAI Int Conf on Security and Privacy in Communication Networks (SecureComm). Berlin: Springer, 2017
彭光彬, 陈敏, 白勇. SDN攻防技术探析[J]. 信息安全研究, 2019, 5(4): 333-339
Cai Zhiping, Wang Zhijun, Zheng Kai, et al. A distributed TCAM coprocessor architecture for integrated longest prefix matching, policy filtering, and content filtering[J]. IEEE Trans on Computers, 2013, 62(3): 417-427
Li Yang, Cai Zhiping, Xu Hong. LLMP: Exploiting LLDP for latency measurement in software-defined data center networks[J]. Journal of Computer Science and Technology, 2018, 33(2): 277–285
Lin H C, Wang Pin. Implementation of an SDN-based security defense mechanism against DDoS attacks[J]. DEStech Transactions on Economics Business and Management, 2016
Yang Jungang, Wang Xintong, Liu Guqing. DDoS attack detection method based on network traffic and IP entropy[J]. Application Research of Computers, 2016, 33(4): 1145-1149
Saied A, Overill R E, Radzik T. Detection of known and unknown DDoS attacks using artificial neural networks[J]. Neurocomputing, 2016, 172: 385-393
Bawany N Z, Shamsi J A, Salah K. DDoS attack detection and mitigation using SDN: Methods, practices, and solutions[J]. Arabian Journal for Science and Engineering, 2017, 42(2): 425–441
Wang Xiulei, Chen Ming, Xing Changyou, et al. Defending DDoS attacks in software-defined networking based on legitimate source and destination IP address database[J]. IEICE Trans on Information and Systems, 2016, 99(4): 850-859
Xia Jing, Cai Zhiping, Hu Gang, et al. An active defense solution for ARP spoofing in OpenFlow network[J]. Chinese Journal of Electronics, 2019, 28(1): 176-182
Mousavi S M, St-Hilaire M. Early detection of DDoS attacks against SDN controllers[C] //Proc of the 2015 International Conf on Computing, Networking and Communications (ICNC). Piscataway, NJ: IEEE, 2015
李宁, 郝志安, 李艳. OpenFlow网络架构实现与仿真研究[J]. 计算机与网络, 2014, (17): 60-62

[1]	叶鑫豪周纯杰朱美潘杨健晖. DDoS攻击下基于SDN的工业控制系统边云协同信息安全防护方法[J]. 信息安全研究, 2021, 7(9): 861-870.
[2]	李晓明王文晖任琳琳晏涌陈兆玉沙芸刘学君. 基于强化学习的特征提取方法在攻击识别中的应用[J]. 信息安全研究, 2021, 7(4): 351-358.
[3]	李仁杰华驰鲁志萍. 基于FP-growth优化SVM分类器的XSS攻击检测研究[J]. 信息安全研究, 2020, 6(9): 0-0.
[4]	蹇诗婕卢志刚姜波刘玉岭刘宝旭. 基于层次聚类方法的流量异常检测[J]. 信息安全研究, 2020, 6(6): 0-0.
[5]	肖喜生彭凯飞龙春魏金侠赵静. 基于人工智能的安全态势预测技术研究综述[J]. 信息安全研究, 2020, 6(6): 0-0.
[6]	黄颖祺卢赓张宏斌杜宇李剑. 软件定义网络的安全问题及对策研究[J]. 信息安全研究, 2020, 6(3): 202-211.
[7]	黄莉峥刘嘉勇郑荣锋李孟铭. 一种基于暗网的威胁情报主动获取框架[J]. 信息安全研究, 2020, 6(2): 131-138.
[8]	马泽辉. 基于逻辑回归算法的Webshell检测方法研究[J]. 信息安全研究, 2019, 5(4): 298-302.
[9]	唐其彪杨勃潘利民. 基于机器学习的防扫描技术研究[J]. 信息安全研究, 2019, 5(4): 303-308.
[10]	彭光彬陈敏白勇. SDN攻防技术探析[J]. 信息安全研究, 2019, 5(4): 333-339.
[11]	刘星. 融合局部语义信息的多模态舆情分析模型[J]. 信息安全研究, 2019, 5(4): 340-345.
[12]	曾伟东. 一种面向智慧城市的安全智能承载网网络架构研究Research on a Security Intelligent Bearing Network Architecture for Smart City[J]. 信息安全研究, 2019, 5(11): 1033-1039.
[13]	刘正宵段丁阳唐志浩符天枢. 基于稳定风险特征选择的支付风险识别模型[J]. 信息安全研究, 2019, 5(10): 858-864.
[14]	刘亮刘露平何帅刘嘉勇. 一种基于多特征的恶意代码家族静态标注方法[J]. 信息安全研究, 2018, 4(4): 322-328.
[15]	陈泽峰方勇刘亮左政李抒霞. 基于多维特征的Android恶意应用检测系统[J]. 信息安全研究, 2018, 4(2): 133-139.