SDN架构下基于LSTM的低速端口扫描检测模块研究

攻击者通过低速端口扫描攻击能够获取相关的重要信息,从而对用户造成严重威胁,因此通过低速端口扫描检测来抵御相应的攻击是十分必要的。现有的低速端口扫描检测模型,只能基于增量过滤算法进行检测,需要训练大量的数据才能检测出此类攻击,存在耗费大量人力、运行时间长等问题。本文针对低速端口扫描的时间持续性和特征分散性的特点,提出了一种在软件定义网络(software define network,SDN)的架构下采用长短期记忆网络(long shortterm memory,LSTM)的低速端口扫描攻击检测模型。实验结果表明,该算法能够在SDN环境中检测网络行为,并且准确率达到了99.49%,因此能够有效检测出低速端口扫描攻击。

基于持续增量模型的低速端口扫描检测算法

针对低速端口扫描进行了研究,根据低速扫描的时间持续性和特征分散性,提出了一种基于持续增量模型的低速端口扫描检测算法,结合条件熵对特征分布的评估达到检测目的。实验结果表明,该算法的检测率能达到99.78%,且误报率为7%。其适用于多种复杂网络环境,且不需要网络先验知识,同时检测率对阈值的精确性要求低,能够有效检测到低速端口扫描行为。