基于卷積神經(jīng)網(wǎng)絡(luò)的拒絕服務攻擊數(shù)據(jù)流檢測

謝潔，韓德志

（上海海事大學信息工程學院，上海201306）

云環(huán)境；拒絕服務攻擊；卷積神經(jīng)網(wǎng)絡(luò)

0 引言

現(xiàn)今云計算的興起，云平臺給用戶提供了各種便利的互聯(lián)網(wǎng)應用服務，隨之產(chǎn)生的針對云環(huán)境的各種攻擊事件不斷發(fā)生，威脅著云網(wǎng)絡(luò)的安全。在針對云環(huán)境的攻擊中拒絕服務攻擊是主要的攻擊方式，攻擊強度高，損害大，并且呈現(xiàn)增長態(tài)勢，云安全問題形勢嚴峻。目前針對拒絕服務攻擊的檢測方法主要有，針對TCP擁塞控制機制的Shrew攻擊、隨機化端系統(tǒng)的最小超時等待時間、控制路由器隊列緩沖區(qū)、算法匹配、數(shù)學工具如小波特征。卷積神經(jīng)網(wǎng)絡(luò)是模式分類領(lǐng)域的研究熱點，在圖像識別上避免了對圖像的前期處理過程，精簡了識別程序，結(jié)構(gòu)簡單，且提高了識別效果，因而已成功應用于手寫字符識別、人臉識別、醫(yī)療診斷等領(lǐng)域中。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)模型是一個多層的神經(jīng)網(wǎng)絡(luò)，每層由多個二維平面組成，每個平面由多個獨立神經(jīng)元組成。網(wǎng)絡(luò)包含輸入層、卷積層、池化層和輸出層。輸入層只有一層，卷積層和池化層一般設(shè)置多層，輸出層一般為一維線陣，用于分類。下圖1是卷積神經(jīng)網(wǎng)絡(luò)的示范：輸入圖像通過和三個可訓練的過濾器和可加偏置進行卷積，卷積后在C1層產(chǎn)生三個特征映射圖，特征映射圖中的像素再進行求和、加權(quán)值和加偏置，通過一個sigmoid函數(shù)得到三個S2層的特征映射圖。映射圖經(jīng)過過濾器得到S3層。這個層級結(jié)構(gòu)再和S2一樣產(chǎn)生S4。最后像素值被處理規(guī)則化，并連接成一個向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)得到輸出。簡單來說，就是提取出了特征數(shù)據(jù)，每個層有多個特征圖，每個特征圖通過一種卷積核提取輸入的一種特征，每個特征圖有多個神經(jīng)元。根據(jù)卷積核學習的特征產(chǎn)生特征映射，特征映射如圖2所示，找到第一次特征后，將第一層發(fā)現(xiàn)的特征作為第二層的輸入，做第二次的特征查找，把特征更抽象化。

圖1 卷積網(wǎng)絡(luò)基本構(gòu)型

圖2 特征映射

卷積層的輸入為前一層的局部區(qū)域，對輸入數(shù)據(jù)應用若干卷積核加入偏差項進行卷積操作，提取多種特征。每做一次卷積得到一個此層的特征圖（Feature Map），每個卷積核可提取一種特征，每個特征圖可能是與上層幾個特征圖連接形成的映射平面。卷積層計算公式可以表示為：

第l層的第j個映射平面表示為，Mj為感受區(qū)域即輸入的特征圖集合，卷積核的權(quán)值和偏置分別為w和b，激活函數(shù)為f。

池化層對輸入進行抽樣，縮減輸入數(shù)據(jù)的規(guī)模，特征圖經(jīng)過池化后大小變化，特征圖個數(shù)不變，特征維數(shù)降低，計算量減少。確定池化區(qū)域的大小a×b，用區(qū)域內(nèi)的平均特征作為卷積特征，常見的方法是最大值合并、平均值合并和隨機合并。最后一個池化層通常連接到一個或多個全連接層，全連接層的輸出就是最終的輸出。池化層的計算公式可以表示為：

其中，down()為池化函數(shù)，每個輸出特征圖都有自己的系數(shù)a和b。

2 基于粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)模型

學習算法對于卷積神經(jīng)網(wǎng)絡(luò)的學習至關(guān)重要，卷積神經(jīng)網(wǎng)絡(luò)的學習是指通過已有的數(shù)據(jù)訓練出輸出層產(chǎn)生的超平面，完成分類任務，將數(shù)據(jù)分成兩類。在學習的過程中，每一組不同的卷積核都對應一個目標模型，根據(jù)已有數(shù)據(jù)的輸入結(jié)果是否符合預期來判斷卷積核的準確度，通過不斷的更新卷積核最終確定一組最優(yōu)的卷積核。

2.1 誤差反傳算法

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)學習采用誤差反傳算法，分為兩個階段進行，一個階段是向前傳播計算出網(wǎng)絡(luò)的輸出，從樣本集中取一個樣本輸入網(wǎng)絡(luò)，進行卷積計算和池化計算，計算相應的實際輸出。另一個階段是反向傳播，逐層遞推至各層計算權(quán)值誤差梯度，按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣。理想輸出是指神經(jīng)網(wǎng)絡(luò)的輸出和訓練樣本的標準值一樣，實際上不可能達到這么精確，只能希望實際輸出盡可能地接近理想輸出。計算實際輸出與相應的理想輸出的差值用E(W)表示表示訓練樣本為s的情況下第i個輸出單元的輸出結(jié)果。

梯度的方向就是對函數(shù)求偏導?E(W)。假設(shè)第k次更新后權(quán)重為，如果 ?E(W)≠0，則第k+1次更新權(quán)重如下:

式中η為卷積神經(jīng)網(wǎng)絡(luò)的學習率。當?E(W)=0或者?E(W)＜?時停止更新，?為允許的差值，將此時作為最終的卷積神經(jīng)網(wǎng)絡(luò)卷積核的權(quán)重。

2.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法中，粒子群由m個粒子組成，在n維空間搜索，每個粒子的位置體表優(yōu)化問題中的潛在解，粒子群優(yōu)化算法的數(shù)學描述為：在一個n維搜索空間中，包含m個微粒，種群x=(x1,x2,…,xm)T，第i個微粒在的n維搜索空間中的位置xi=(xi,1,xi,2,…,xi,n)T，第i個微粒當前速度為vi=(vi,1,vi,2,…,vi,n)T。第i個微粒的個體極值即自身最優(yōu)歷史位置為pi=(pi,1,pi,2,…,pi,n)T，整個微粒群的全局極值即區(qū)域內(nèi)所有粒子最優(yōu)位置為pg=(pg,1,pg,2,…,pg,n)T，對于第k次迭代的第i個微粒其第d維更新自己的速度與位置如下式所示：

其中，ω為權(quán)重因子，使粒子有運動慣性，c1和c2為學習因子，c1調(diào)節(jié)粒子飛向自身的最好位置，c2調(diào)節(jié)粒子飛向全局最好位置，rand()為介于(0，1)的隨機數(shù)，和分別為粒子i在第k次迭代中d維的速度和位置，為粒子i在d維的個別極值，為群體在d維的全局極值，為了將粒子的活動范圍限定在搜索區(qū)域內(nèi)，如果搜索空間限定在[-xmax,xmax]，可設(shè)定vmax=kxmax,0≤k≤1。算法的流程圖如圖3所示。

圖3 粒子群算法流程圖

2.3 卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)粒子化

卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)粒子化是指將卷積神經(jīng)網(wǎng)絡(luò)的卷積核的權(quán)值和閾值等參數(shù)進行編碼，映射成為粒子群優(yōu)化算法中的粒子，可以將網(wǎng)絡(luò)的權(quán)值和閾值等參數(shù)看做是粒子的位置分量。設(shè)卷積神經(jīng)網(wǎng)絡(luò)的卷積核的個數(shù)為ni，全連接層的結(jié)點數(shù)為nj，則第i個粒子的位置所表示的網(wǎng)絡(luò)為：

其中，其中wni表示卷積層與池化層之間的卷積核的權(quán)值，unj

表示全連接與輸出層之間的連接權(quán)值，θni+nj表示閾值參數(shù)。每個粒子的位置唯一確定一個卷積神經(jīng)網(wǎng)絡(luò)，粒子的進化更新也應是卷積神經(jīng)網(wǎng)絡(luò)的卷積核的學習。

2.4 基于粒子群算法和誤差反傳算法的學習算法

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)的訓練算法需要訓練的參數(shù)數(shù)目多，不易學習到最優(yōu)值，還會出現(xiàn)參數(shù)彌散的問題。粒子群優(yōu)化算法是一種全局優(yōu)化的算法，有收斂速度快，易于實現(xiàn)等優(yōu)點，本文將粒子群算法應用到神經(jīng)網(wǎng)絡(luò)的訓練中，結(jié)合傳統(tǒng)的誤差反傳算法快速的局部搜索能力，發(fā)揮兩種算法的優(yōu)勢，該算法的具體實驗步驟如下：

（1）粒子群初始化，包括各個參數(shù)：粒子群的規(guī)模N、粒子維數(shù)D、慣性權(quán)重ω、加速常數(shù)c1和c2、位置空間的最大值和最小值xmax和xmin等。設(shè)置粒子群優(yōu)化算法的最大迭代次數(shù)Tmax-pso，BP算法的最大迭代次數(shù)Tmax-bp，粒子群優(yōu)化算法的能量函數(shù)變化次數(shù)閾值Tpso，當前進化代數(shù)iter=1，能量函數(shù)變化次數(shù)flag=0。

（2）初始化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、設(shè)置傳遞函數(shù)、學習率、權(quán)值、閾值等參數(shù)并確定目標函數(shù)。

（3）初始化各粒子位置，將卷積神經(jīng)網(wǎng)絡(luò)的卷積核的權(quán)值和閾值等進行編碼作為粒子的位置。

（4）將樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，通過計算至輸出層，計算粒子當前的適應度函數(shù)的偏差值。

（5）每個粒子將當前的適應值與其個體歷史最好適應值比較，若當前適應值更優(yōu)，則令當前粒子的適應值為個體歷史最好適應值，選擇當前粒子的位置作為個體最好位置。

（6）比較群體所有粒子的當前適應值與全局的最好位置的適應值比較，若當前適應值更優(yōu)，則令當前粒子的適應值為全局歷史最好適應值，選擇當前粒子的位置作為全局最好位置，flag=0，否則flag=flag+1。

（7）如果flag＞Tpso，則使用BP算法在全局最好位置附近進行局部細致搜索。如果搜索結(jié)果優(yōu)于全局最優(yōu)位置，則用此搜索結(jié)果代替全局最好位置，否則，用搜索結(jié)果代替性能最差的個體，flag=0，iter=iter+1。如果flag＜Tpso，iter=iter+1。

（8）根據(jù)粒子群優(yōu)化算法，更新粒子的速度、位置。

（9）判斷是否滿足終止條件，達到適應度值要求或者是最大迭代次數(shù)，iter＞Tmax-pso，滿足終止條件則輸出優(yōu)化問題的最優(yōu)解，否則到步驟（5）。

（10）整個算法結(jié)束，輸出全局最好位置為所求神經(jīng)網(wǎng)絡(luò)的卷積核等參數(shù)。

3 仿真實驗

實驗采用的數(shù)據(jù)集是網(wǎng)絡(luò)入侵檢測的常用數(shù)據(jù)集KDD CUP99，該數(shù)據(jù)集中總共包含大約500萬條網(wǎng)絡(luò)連接記錄，本次模擬實驗抽取10%的數(shù)據(jù)進行實驗，從訓練數(shù)據(jù)集中隨機抽取5組不同樣本數(shù)量的數(shù)據(jù)作為訓練集，按照同樣的比例抽取5組數(shù)據(jù)作為本實驗的測試集。數(shù)據(jù)集中異常數(shù)據(jù)類型為：拒絕服務攻擊（DDoS）、來自遠程主機的未授權(quán)訪問（R2L）、為授權(quán)的本地超級用戶特權(quán)訪問（U2R）、端口監(jiān)視或掃描（Probing）。

為了評估模型的準確度，實驗使用混淆矩陣、漏報率、平均漏報率和平均代價來進行評估最終的檢測效果。不同的誤分類會有不同的后果，這里使用KDD CUP99公布的代價矩陣對誤分類進行衡量。

（1）準確率=預測值類型與實際類型相同的數(shù)量/預測為該類型的數(shù)量

（2）平均代價=種類被誤分的數(shù)量×誤分對應的代價/測試樣本總數(shù)量

3.1 實驗數(shù)據(jù)預處理

KDD CUP99數(shù)據(jù)集中，每條數(shù)據(jù)記錄除去最后一個標簽外，都包含41個特征，其中38個是數(shù)值型特征另外3個是字符型特征。對數(shù)據(jù)集進行預處理要將字符型的特征映射為數(shù)值型的特征，并且將數(shù)值型特征進一步處理，進行數(shù)值規(guī)范化。對數(shù)據(jù)進行預處理常常采用歸一化的方式，將數(shù)據(jù)集中所有的數(shù)據(jù)轉(zhuǎn)換成[0,1]之間的數(shù)，取消各維度間數(shù)量級之間的差別，減少網(wǎng)絡(luò)預測產(chǎn)生的誤差。數(shù)據(jù)歸一化常用方法有兩種，一種是最大最小法，函數(shù)形式為：

其中，Xmin表示數(shù)據(jù)序列中的最小數(shù)，Xmin表示數(shù)據(jù)序列中最大數(shù)。另一種是平均數(shù)方差法，函數(shù)形式為：

其中，Xmean表示數(shù)據(jù)序列中的均值，Xvar表示數(shù)據(jù)的方法。前41項數(shù)據(jù)特征可以被分為4大類：TCP連接基本特征、TCP連接的內(nèi)容特征、基于時間的網(wǎng)絡(luò)流量統(tǒng)計特征和基于主機的網(wǎng)絡(luò)流量統(tǒng)計特征。表1為各層參數(shù)的一個示范，在4大類數(shù)據(jù)類型中，每類型取出9個數(shù)據(jù)，之后將這些數(shù)據(jù)矩陣化表示。

表1 實驗各層參數(shù)示范

表2 仿真條件

3.2 實驗結(jié)果分析

將訓練集中的數(shù)據(jù)輸入模型進行多次訓練并調(diào)整和優(yōu)化參數(shù)，選取訓練和測試中實驗結(jié)果最好的參數(shù)及模型。表3顯示了訓練次數(shù)與測試準確率之間的關(guān)系，在一定的范圍內(nèi)訓練次數(shù)增加，樣本測試的準確率隨之提高，但經(jīng)過500次以上的訓練后，平均準確率沒有提升，出現(xiàn)了過擬合問題，不能簡單通過增加訓練次數(shù)來提高準確率。

表3 訓練次數(shù)與準確率的關(guān)系

為了測試模型的性能，將此模型決策樹模型、支持向量機模型、卷積神經(jīng)網(wǎng)絡(luò)模型進行以比較實驗，數(shù)據(jù)處理等步驟均同等操作，粒子群算法的仿真條件都保持一致，比較其對拒絕服務攻擊的識別率，實驗結(jié)果比較如下表表4所示，從中可以看到，結(jié)合粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)模型在KDD CUP99數(shù)據(jù)集上有較好的正確率，且算法在實驗中有較快的訓練和運行速度。

表4 算法性能比較

綜合以上實驗分析，結(jié)合粒子群算法和誤差反傳算法的神經(jīng)網(wǎng)絡(luò)模型對云環(huán)境中攻擊數(shù)據(jù)流的檢測具有可行性，對數(shù)據(jù)有良好的適應性，對攻擊數(shù)據(jù)流有較好的識別效果。

4 結(jié)語

為了適應對云環(huán)境中拒絕服務攻擊數(shù)據(jù)流的檢測，提高卷積神經(jīng)網(wǎng)絡(luò)的訓練速度，本文提出了結(jié)合粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)模型，該模型通過學習正常云環(huán)境中的數(shù)據(jù)流來訓練模型，再用于拒絕服務攻擊數(shù)據(jù)流的檢測。實驗結(jié)果表明，結(jié)合粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)模型用于對拒絕服務攻擊數(shù)據(jù)流的檢測具有一定的可行性，并且識別準確率和識別速度都優(yōu)于其他檢測方式。在未來進一步的工作中，還需要對粒子群算法做出更多優(yōu)化，使之更加適用于云端的大數(shù)據(jù)流環(huán)境，卷積神經(jīng)網(wǎng)絡(luò)模型也可以進行更多結(jié)構(gòu)的實驗設(shè)計找出最佳模型，并且對云環(huán)境中的大規(guī)模數(shù)據(jù)進行實時測試。