自相似特性網(wǎng)絡(luò)流量評估方法的應(yīng)用研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的不斷提高和應(yīng)用領(lǐng)域的不斷普及，網(wǎng)絡(luò)攻擊等惡意行為已經(jīng)嚴重威脅了計算機網(wǎng)絡(luò)的安全，網(wǎng)絡(luò)異常行為會導(dǎo)致網(wǎng)絡(luò)流量異常，因此能夠及時準確的檢測出網(wǎng)絡(luò)異常對于維護網(wǎng)絡(luò)安全有十分重要的意義。
　　 通過給出的自相似過程的數(shù)學(xué)定義和相關(guān)性質(zhì)，分析比較了Pareto分布模型、對數(shù)正態(tài)分布模型、ON/OFF模型、分形布朗運動、分形高斯噪聲、分形自回歸移動平均模型、多分形小波模型這7種自相似流量模型以及自相似網(wǎng)絡(luò)流量產(chǎn)生的原因，并且研

2、究了多個具有自相似特性的流量合成一個流量后表征自相似特性的指數(shù)的變化的情況。由于Hurst系數(shù)是評估自相似特性的重要參數(shù)，所以比較分析了常用的計算Hurst系數(shù)的算法，包括R/S法、留數(shù)法、時間方差法、絕對值法、周期圖法、小波法和IDC法，通過使用隨機過程序列和分形高斯噪聲序列分析了這7種算法估值的準確性以及算法時間復(fù)雜度。常用的Hurst估值算法是基于用一個靜態(tài)的估計值來表征有限時間序列的自相似性，考慮到網(wǎng)絡(luò)流量的自相似性是隨時間序列

3、增長到無窮大長度序列的漸進的過程，提出了一種基于漸進的Hurst估值方法來檢測異常流量，該方法是把流量看作是長度漸增的時間序列，估算出每一個時間序列的Hurst系數(shù)，得到的Hurst系數(shù)的集合就反應(yīng)了全局時間域上的自相似變化趨勢。將該方法運用到DDOS(DistributedDenialofService)的檢測當中，用Hurst參數(shù)變化和Hurst參數(shù)方差變化來檢測DDOS攻擊，選擇網(wǎng)絡(luò)正常時的流量作為背景流量，在背景流量中加入攻擊流

4、量模擬網(wǎng)絡(luò)遭受攻擊時的情況，通過漸進Hurst評估法估算出Hurst參數(shù)值。將基于RFID的物聯(lián)網(wǎng)模型作為研究對象，利用服從Pareto分布的多ON/OFF模型建立了物聯(lián)網(wǎng)自相似業(yè)務(wù)模型，并驗證了該模型的有效性，證明了物聯(lián)網(wǎng)業(yè)務(wù)流量同樣具有自相似特性，并使用漸進的Hurst系數(shù)估值方法評估了物聯(lián)網(wǎng)業(yè)務(wù)流量自相似性的趨勢。
　　 實驗分析得出漸進的Hurst系數(shù)估值方法能夠檢測到DDOS攻擊，此方法與傳統(tǒng)的網(wǎng)絡(luò)流量檢測方法相比，精