現(xiàn)有的基于網(wǎng)絡(luò)流量的DDoS攻擊檢測(cè)方法可以按照對(duì)時(shí)間尺度的敏感程度進(jìn)行劃分,通常將小于100 ms的網(wǎng)絡(luò)模型稱為小尺度網(wǎng)絡(luò)模型,，將以小時(shí)(hour)或天(day)作為時(shí)間單位的網(wǎng)絡(luò)模型稱為大尺度網(wǎng)絡(luò)模型,。基于大尺度網(wǎng)絡(luò)模型的檢測(cè)方法主要有方差分析法(ANVOA)[1],、泛化似然比檢驗(yàn)法(Generalized Likelihood Ratio Test)[2],、自適應(yīng)殘差比較法[3]等,，這些方法雖然有較好的檢測(cè)率和較低的誤報(bào)率,，但是因其以hour或day為統(tǒng)計(jì)單位而不具備實(shí)時(shí)檢測(cè)的能力。相比之下小尺度網(wǎng)絡(luò)模型更適合于實(shí)時(shí)檢測(cè),，但因其表現(xiàn)出多分形性[4]而難以觀測(cè),。參考文獻(xiàn)[5]提出的Holder指數(shù)檢測(cè)法雖然檢測(cè)延時(shí)短，但是受到短相關(guān)性質(zhì)對(duì)網(wǎng)絡(luò)流量整體觀測(cè)能力不足的影響,，誤報(bào)率過(guò)高,。針對(duì)這一問(wèn)題,，參考文獻(xiàn)[6]提出了一種基于傳統(tǒng)Hurst指數(shù)和Holder指數(shù)的分形檢測(cè)法，通過(guò)判斷網(wǎng)絡(luò)流量的實(shí)時(shí)分形特性,分別采用兩種不同方法進(jìn)行檢測(cè),，雖然提高了分形模型中長(zhǎng)相關(guān)部分的檢測(cè)準(zhǔn)確率,，但是當(dāng)流量數(shù)據(jù)表現(xiàn)出短相關(guān)時(shí)，誤報(bào)問(wèn)題仍沒(méi)有解決,。參考文獻(xiàn)[7]提出了一種基于Hurst指數(shù)的方差-時(shí)間圖法VTP(Variance-Time Plots),，試圖利用多分形模型中包含的長(zhǎng)相關(guān)特性進(jìn)行檢測(cè)。受多分形模型中長(zhǎng)相關(guān)特性并不明顯的影響,，誤報(bào)率雖然有所下降,，但是檢測(cè)率上還存在不足。

    現(xiàn)有小尺度網(wǎng)絡(luò)模型通常采用Holder,、Hurst等指數(shù)進(jìn)行檢測(cè),，Holder指數(shù)觀測(cè)尺度狹窄、誤報(bào)率高,；Hurst指數(shù)能夠在整體上對(duì)流量的自相似性進(jìn)行刻畫,，具有較高的檢測(cè)精度，但要求觀測(cè)的時(shí)間尺度寬,，不利于實(shí)時(shí)檢測(cè),。本文提出的基于數(shù)據(jù)預(yù)處理的DDoS攻擊檢測(cè)方法在Hurst指數(shù)檢測(cè)的基礎(chǔ)上，通過(guò)提高流量間相關(guān)度,，滿足了Hurst指數(shù)定義對(duì)模型長(zhǎng)相關(guān)程度的要求,，從而能夠更準(zhǔn)確地對(duì)具有多分形特性的流量進(jìn)行分析。
1 流量預(yù)處理
    小尺度網(wǎng)絡(luò)模型中包含的網(wǎng)絡(luò)業(yè)務(wù)信息相比大尺度網(wǎng)絡(luò)模型少但更為細(xì)致,，因而也更易受流量的突發(fā)性影響,。基于流量的DDoS攻擊檢測(cè)技術(shù)正是利用了流量突發(fā)性對(duì)統(tǒng)計(jì)特性造成的奇異點(diǎn)進(jìn)行檢測(cè),，因此為了降低誤報(bào)率就需要降低正常流量發(fā)生時(shí)對(duì)小尺度模型統(tǒng)計(jì)特性的影響,。最直接的方法就是增加小尺度模型各節(jié)點(diǎn)包含的信息量，增強(qiáng)其長(zhǎng)相關(guān)性,。參考文獻(xiàn)[8]就可能影響流量性能的因素提出了假設(shè),，并認(rèn)為均值和方差對(duì)多分形有較大影響。本文在參考文獻(xiàn)[8]的基礎(chǔ)上,，提出采用滑動(dòng)平均值來(lái)代替原有采樣值的方法,，在保證不丟失原有信息特性的前提下，將前后時(shí)間節(jié)點(diǎn)的特性包含進(jìn)來(lái),，提高了節(jié)點(diǎn)中包含的信息量,，使得小尺度網(wǎng)絡(luò)模型的長(zhǎng)相關(guān)性增強(qiáng)，同時(shí)降低了正常流量發(fā)生時(shí)對(duì)統(tǒng)計(jì)特性可能造成的影響。流量預(yù)處理方法如式(1)所示：

    小波分解過(guò)程中通常采用二進(jìn)制伸縮的方式,如式

3 DDoS攻擊檢測(cè)實(shí)驗(yàn)
    本文采用模擬攻擊的方法對(duì)文中提出的網(wǎng)絡(luò)異常檢測(cè)算法進(jìn)行測(cè)試,。
3.1 數(shù)據(jù)來(lái)源
    實(shí)驗(yàn)數(shù)據(jù)由正常的背景流量和模擬的攻擊流量匯聚而成,。
    以北京工業(yè)大學(xué)某樓層的真實(shí)流量為正常流量樣本，采用Wireshark截取上午10：30~11:17之間的全部流量,。時(shí)間精度為1 ms,包括各類正常訪問(wèn)的數(shù)據(jù)包1 620 400個(gè),。分別匯聚為精度10 ms的BJUT-10流量和精度為1 s的BJUT-1000流量。
     利用Sprient公司的ThreatEx2600作為攻擊流量的產(chǎn)生工具,，模擬了DDoS攻擊中最經(jīng)典的SYN-Flood攻擊流量,，并將攻擊強(qiáng)度以1 000 threats/s的幅度逐漸增加。將攻擊行為分為兩次,，分別在小背景流量和大背景流量下進(jìn)行,，小背景流量攻擊發(fā)生在100 000 ms，大背景流量發(fā)生在200 000 ms,。每次攻擊持續(xù)180 s,，其中流量上升階段30 s，峰值攻擊120 s,，流量下降階段30 s,。測(cè)試環(huán)境如圖1所示。

     從實(shí)驗(yàn)結(jié)果可以得出,在利用BJUT-10流量模型進(jìn)行異常檢測(cè)時(shí),當(dāng)攻擊流量達(dá)到背景流量36.90%時(shí),攻擊被檢測(cè)出來(lái),，但檢測(cè)完整性較差,，僅為2.10%，檢測(cè)延遲91.28 s,。
    當(dāng)攻擊增強(qiáng)而背景流量不變時(shí),，攻擊的檢測(cè)率提高，攻擊檢測(cè)完整性也相應(yīng)提高,；當(dāng)攻擊流量占到總流量91.36%時(shí),檢測(cè)率達(dá)到100%,檢測(cè)完整性達(dá)到75.18%,，檢測(cè)延遲為26.1 s。
    當(dāng)攻擊強(qiáng)度不變,，背景流量發(fā)生變化時(shí),，在大流量背景下,檢測(cè)的完整性較小流量背景下攻擊的檢測(cè)完整性和檢測(cè)率差距較大，檢測(cè)延遲明顯降低,。
4 與典型算法對(duì)比
    為了驗(yàn)證本文算法的性能,，采用相同的實(shí)驗(yàn)數(shù)據(jù)與典型檢測(cè)方法進(jìn)行了對(duì)比測(cè)試。
4.1 Holder指數(shù)檢測(cè)法
    本文重現(xiàn)了參考文獻(xiàn)[6]中的Holder指數(shù)計(jì)算方法,，并將關(guān)鍵實(shí)驗(yàn)參數(shù)設(shè)置為λ=0.9,s=10,。
4.2 傳統(tǒng)Hurst指數(shù)檢測(cè)法
    根據(jù)參考文獻(xiàn)[6-7]中的Hurst指數(shù)檢測(cè)法，因Hurst指數(shù)檢測(cè)法只適用于大尺度的網(wǎng)絡(luò)模型,，即時(shí)間敏感度大于1 s的網(wǎng)絡(luò)模型,，因此本文采用BJUT-1000流量進(jìn)行模擬檢測(cè)。采用db(3)小波分解,，小波分解層數(shù)為j=10,，小波移動(dòng)尺度k=1，時(shí)間區(qū)間n=10,。
4.3 性能比較
    本文模擬的DDoS攻擊包含了30 s攻擊速率上升的過(guò)程,，因此檢測(cè)延遲在一定程度上反應(yīng)了檢測(cè)算法對(duì)攻擊發(fā)生初期（0 s~30 s）的檢測(cè)能力。
    從圖5可以看出本文方法在檢測(cè)延遲上同Holder指數(shù)檢測(cè)法性能相當(dāng),。從算法誤報(bào)率上看,，本文方法誤報(bào)率較Holder指數(shù)檢測(cè)法有明顯改善。因而本文方法在檢測(cè)率和檢測(cè)完整性上優(yōu)于其他兩種檢測(cè)算法,。如圖6所示,。

    本文提出了一種基于多分形模型數(shù)據(jù)預(yù)處理的異常檢測(cè)方法。利用小波分解的方法對(duì)網(wǎng)絡(luò)流量進(jìn)行分析,。通過(guò)增加數(shù)據(jù)間相關(guān)性使得短相關(guān)的流量數(shù)據(jù)具備一定的長(zhǎng)相關(guān)特性,，而長(zhǎng)相關(guān)數(shù)據(jù)的特性更加明顯。同時(shí)使用Hurst指數(shù)方差平均值對(duì)攻擊流量進(jìn)行檢測(cè),。相比于現(xiàn)有的實(shí)時(shí)檢測(cè)算法,其誤報(bào)率明顯降低,，并保持較低的檢測(cè)延遲，提高了檢測(cè)率和檢測(cè)完整性,。
參考文獻(xiàn)
[1] JOSEPH L H, FAN Z, PEIWEZ S. Characterizing normal operation of a Web Server:application to workload forecasting and problem detection[C].Proceedings of the Computer Measurement Grouy, 1998.
[2] THOTTAN M, JI C Y. Statistical detection of enterprise network problem [J]. Journal of Network and Systems Management, 1999,7(1):27-45.
[3] 曹敏, 程?hào)|年, 張建輝,等.基于自適應(yīng)閾值的網(wǎng)絡(luò)流量異常檢測(cè)算法[J].計(jì)算機(jī)工程, 2009,35(19):164-167.
[4] ABRY P, VEITCH D, Wavelet analysis of long-range dependence traffic[J]． IEEE Trans on Information Theory, 1998,44(1):2-15．
[5] 任義龍, 劉淵, 一種基于Holder指數(shù)的DDoS攻擊檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用研究, 2011,28(2):724-727.
[6] 任義龍, 劉淵. 一種基于小波分析的DDoS攻擊檢測(cè)方法[J/OL].[2011-09-29]. http://www.cnki.net/kcms/detail/11.2127.tp.20110929.1037.054.html.
[7] 李金明, 王汝傳.基于VTP方法的DDoS攻擊實(shí)時(shí)監(jiān)測(cè)技術(shù)研究[J]. 電子學(xué)報(bào), 2007,35(4):791-796.
[8] 胡俊, 譚獻(xiàn)海, 覃宇飛.基于小波技術(shù)的網(wǎng)絡(luò)流量分析與刻畫[J]. 計(jì)算機(jī)應(yīng)用, 2007,27(11):2659-2665.
[9] 任勛益, 王汝傳, 祁正華. 消失矩對(duì)小波分析求解自相似參數(shù)Hurst的影響研究[J], 電子與信息學(xué)報(bào), 2007,29(9):2257-2261.
[10] 任勛益, 王汝傳, 王海艷. 基于自相似檢測(cè)DDoS攻擊的小波分析方法[J]. 通信學(xué)報(bào), 2006,27(5):6-11.
[11] 李永利, 劉貴忠, 王海軍,等.自相似數(shù)據(jù)流的Hurst指數(shù)小波求解法分析[J].電子與信息學(xué)報(bào), 2003,25(1):100-105.