数据中心网络下基于HEQPSO-SVM算法的DDoS攻击侦测及预测方法

针对分布式拒绝服务(DDoS)攻击难以预测和检测问题,提出一种应用于数据中心网络,基于混合熵的量子粒子群(HEQPSO)算法及支持向量机(SVM)算法的新型DDoS攻击预测、侦测方法.该方法通过对网络流进行分析,根据样本数据包的特征属性对数据包进行预分类,在HEQPSO中引入改进的进化度因子和聚集度因子优化SVM分类器的误差惩罚因子C和高斯径向基函数的宽度σ,采用HEQPSO-SVM模型训练预分类样本.并设计基于混合熵方法的特征样本线性方程实现对未知DDoS攻击的预测和侦测.仿真实验证明:与传统的量子粒子群(QPSO)算法、惯性权自适应调整的量子粒子群优化(DCWQPSO)算法在算法执行时间、平均迭代次数、平均相对变动值(ARV)和均方根误差性能(RMSE)四个方面进行比较,HEQPSO-SVM算法具有更好的泛化能力和较小的误差性能.同时,本文提出的方法与经典的基于Hurst参数分析检测DDoS攻击方法、基于非线性网络流分析检测DDoS攻击方法、基于自适应检测DDoS攻击的小波分析法以及基于改进熵分析检测DDoS攻击方法在响应时间、平均检到率、平均漏检率、正确率四个方面进行了对比.结果表明,论文提出的方法较四种经典的DDoS分析检测方法相比,能够更为准确、有效地预测、侦测未知的DDoS入侵攻击.