CDN环境下基于胶囊网络的入侵检测研究.pdfVIP

摘要

内容分发网络（ContentDeliveryNetwork，CDN）是5G时代的重要应用，CDN的

出现极大地缓解了当前互联网的网络拥塞问题，为骨干网络承担了较多的网络流量，

不仅提升了互联网的效率，同时提升了用户的使用体验。然而，网络的安全问题作为制

约网络发展的长期挑战，一直深受人们的关注，随着技术的发展，攻击者以更加多样化

的手段和更高频次的攻击威胁着网络的安全性，CDN环境也面临着同样的现状。入侵

检测是当前保护网络空间安全的一项重要技术，并在此领域内发挥了重要的作用，但

传统的入侵检测在面对当前网络环境时存在短板，如对恶意流量的检测准确率低及误

报率高，对于0day攻击的检测识别较差等问题，尤其不适应充斥着海量数据的CDN

环境。越来越多的学者将各类人工智能算法与入侵检测技术相结合，以提升其性能。深

度学习是当前人工智能算法领域内的重要组成部分，并已在多个领域取得了成功，胶

囊网络作为深度学习范围内的神经网络结构，也已在图像处理、语音识别、文本分类等

多个场景下证明了其有效性。针对以上问题，本文基于胶囊网络，结合CDN环境对入

侵检测展开研究，主要研究工作如下：

（1）对CDN环境安全的需求进行分析，并在此基础上提出了一种基于胶囊网络

的二分类入侵检测模型，以提升CDN的安全。首先，模型通过胶囊网络对流量数据进

行特征提取，完成对目标的检测，进而识别出流量的属性，胶囊网络的动态路由机制可

以更好的保留原始数据的特征信息，克服了卷积神经网络池化操作造成的特征丢失的

缺点，提升了对于恶意流量的检测效果，解决了传统入侵检测系统（IntrusionDetection

System，IDS）对恶意流量检测效果不佳的问题。其次，为了提升模型的特征提取能力，

结合多尺度卷积和残差连接对胶囊网络的结构进行了调整。最后，通过实验验证模型

效果，与不同入侵检测方案在NSL-KDD数据集上进行对比，实验结果表明，所提出模

型不仅可以有效的完成对恶意流量的检测，同时模型的召回率高于其他对比方案。

（2）为了准确识别出恶意流量的种类，提出了一种基于改进胶囊网络的多分类入

侵检测模型以及在CDN环境下的部署方案，通过胶囊网络完成对CDN环境下恶意流

量的检测与识别。首先，模型结合卷积块注意力模块（ConvolutionalBlockAttention

Moudle，CBAM）的通道注意力机制和空间注意力机制对胶囊网络的结构进行了调整，

提升模型对待测流量重点区域的关注，更好的对流量数据进行特征提取。其次，改进了

胶囊网络的动态路由机制，结合K-Means算法思想对动态路由机制的过程进行设计，

增强了胶囊间的特征聚类效果。最后，使用NSL-KDD和UNSW-NB15数据集对模型

进行实验验证，结果表明，模型可检测出包含Dos在内的多种恶意流量，并在两种数

据集上与其他入侵检测方案进行对比，相较于其他方案，模型的准确率更高，取得的检

测效果更好。

通过以上对CDN环境的安全需求进行分析，提出了一种在CDN环境下的IDS部

署方式，并通过两种不同的方案完成对CDN环境下的入侵检测，其中，二分类入侵检

测方案可以对CDN环境下的待测流量进行属性识别，而多分类入侵检测方案可以对

CDN环境下的恶意流量进行种类识别。对于提升CDN环境的安全性具有重要的意义。

关键词：CDN；网络空间安全；入侵检测；胶囊网络

论文类型：应用研究

ABSTRACT

ContentDeliveryNetwork(CDN)isanimportantapplicationinthe5Gera.Theemergence

ofCDNhasgreatlyalleviatedthecurrentnetworkcongestionproblemoftheInternet,andhas

undertakenmorenetworktrafficforthebackbonenetwork,whichnotonlyimprovesthe

efficiencyoftheInternet,butalsoimprovestheuserexperience.However,asal