0 引言

    軟件定義網絡(Software Defined Networking,，SDN)^[1]是一種控制平面和數據平面解耦的,、可實現網絡編程的創(chuàng)新網絡體系架構。目前已有很多企業(yè)進行了SDN實踐,。但SDN 帶來了網絡架構方面革新的同時,，也為安全防護體系帶來了挑戰(zhàn)，例如拒絕服務攻擊,、非法接入訪問等,。本文就SDN構架下DoS/DDoS攻擊檢測給出一組解決辦法，綜合運用信息安全中異常檢測和誤用檢測兩種思想,，提出一種基于SDN的防御體系,。

1 相關工作

    肖佩瑤等^[2]提出基于路由的檢測算法，但當隨機流發(fā)出時,，控制器為每個流做出轉發(fā)路徑分析,，下發(fā)流表項，影響了控制器的性能,。

    劉勇等^[3]通過對攻擊發(fā)生時網絡流量變化特性進行分析,，提出基于流量波動的檢測算法。但在傳統網絡構架下,，分散而封閉的控制平面并不能實時阻斷異常流量,。

    左青云等^[4]對文獻[5]進行了改進，在主成分分析法(Principal Components Analysis,，PCA)分析時加入了異常流量特征熵,，大幅降低了誤報率。但目前沒有控制器提供IP對的查詢API,，所以要大量查詢流表項,，在檢驗算法中進行統計。IP數量非常多時,，算法用時將不可容忍,。

    本文針對上述文獻的不足提出了改進辦法，在探索源地址驗證方面，通過控制器與OpenFlow交換機的信息交互實現了源地址驗證,，總體設計更加簡單,。通過將DoS/DDoS檢測算法與SDN技術相結合應用于網絡接入層,，增加了添加流表項功能,，可實時地對異常端口進行轉發(fā)限制。PCA是分析異常流量的一種重要方法,，本文提出其針對鏈路流量異常的檢測判斷,，算法用時大幅下降。

2 體系架構設計

    面對形式越來越多的DoS/DDoS攻擊,，以往僅通過單一方法檢測攻擊的方式已經無法達到良好的檢測效果,，本文綜合多項檢測方法并形成防御體系，其架構如圖1所示,。偽造源IP地址是最常用的手段,，所以第一道防線為源IP防偽，IP防偽模塊通過接收到的數據報文為每個交換機端口設置動態(tài)的IP綁定,，防止偽造IP包攻擊,。若傀儡機發(fā)送大量使用真實源IP的數據包，會被第二道防線——接入層異常檢測所過濾,，信息查詢模塊通過OpenFlow協議獲取到交換機統計信息,，接入層檢測通過API獲取到端口流量信息進行算法檢驗。若異常則通過靜態(tài)流表插入模塊對交換機特定端口施行轉發(fā)限制,。只有攻擊流量以趨近于正常的速度發(fā)送數據包會通過檢測,。在第三道防線——鏈路流量異常檢測中，用API獲取到的整個網絡信息進行算法檢驗,，做出異常判斷,。

3 DoS/DDoS攻擊檢測與防御方法

3.1 源IP防偽

3.1.1 設計思想

    在DDoS攻擊中按攻擊源地址分為真實源地址和偽造源地址，偽造源地址會使得多種放大攻擊成為可能,，并使攻擊定位變得困難,。在SDN構架下控制器對每臺交換機統一管理，可以利用此優(yōu)勢,，動態(tài)實現接口與IP的綁定,。

3.1.2 設計描述

    獲取IP地址的途徑有兩種：使用DHCP服務或配置靜態(tài)IP。首先在控制器啟動時向交換機各端口插入將數據發(fā)往控制器的流表項,以保證對其監(jiān)控,然后分別處理兩種獲取IP的方式,。

    (1)DHCP：客戶端通過DHCP ACK獲取到IP地址記為S,，刪除發(fā)往控制器的流表項，同時下發(fā)交換機目標端口僅允許S源地址通過的流表項,。

    (2)靜態(tài)IP：控制器中設置了兩個域,，一個為端口控制域，存儲已經被管控的端口；另一個是交換機連接域,，存儲交換機相連接的端口,，不對這部分端口進行綁定。當數據包從某一接入端口發(fā)送到控制器進行解析時,，分析源地址S,，刪除發(fā)往控制器流表項，并下發(fā)此端口僅允許S源地址通過的流表項,。

    當客戶端發(fā)送DHCP Release或交換機端口失去連接時,，刪除上述防偽流表項。重新插入此端口發(fā)往控制器的流表項,，恢復到初始狀態(tài),。

3.2 接入層網絡異常流量檢測

3.2.1 設計思想

    DoS/DDoS攻擊時的流量特征是在一段時間內突然增大，且趨于平穩(wěn),。因此采用差分方差變化率為測量在接入層檢測異常流量,。利用控制器提供的API下發(fā)異常端口的限制流表項，做到異常流量的防御,。

3.2.2 差分方差優(yōu)勢與計算

    流量波動性是衡量攻擊的一個重要的指標,，概率論中方差描述了數據整體的波動性，而所需要的是數據相對的,、局部的波動情況,，所以差分方差能更好地反映流量的波動情況。由于算法是動態(tài)檢測的,，所以各個統計量均依靠前一周期的計算結果,。假設在t時刻，原始流量為C(t),，流量的整體均值如式(1)所示：

3.2.3 攻擊判斷與流表下發(fā)

    根據隸屬函數u(t)的值,，做出是否執(zhí)行算法的判斷。若u(t)=0,，則認為攻擊未發(fā)生,，若u(t)=1，則認為發(fā)生攻擊,，以上兩種情況不執(zhí)行算法,。當0<u(t)<1時，執(zhí)行算法判定攻擊,。定義常量c為閾值,，代表能容忍的流量上限，變量s代表具有攻擊特征的流量可以連續(xù)出現的周期數,，變量a代表具有攻擊特征的流量已經持續(xù)的周期數,。當u(t)持續(xù)大于0時,，每次執(zhí)行算法都會使a增1，用當前周期與上一周期的差分方差比較,，決定此周期攻擊強度A(t),。若A(t)≥A(t-1)與a≥s同時發(fā)生，則判定發(fā)生攻擊,，通過控制器提供的API下發(fā)流表項,，阻斷攻擊流量；否則,，暫不確定攻擊是否發(fā)生,，進入下一次循環(huán)判斷,。

3.3 鏈路異常流量檢測

3.3.1 設計思想

    如果傀儡機采用接近正常的發(fā)包速率,，就會讓接入層檢測模塊陷入沉默，但攻擊流量會在到達目標鏈路前逐漸匯集,，因此采用了通過流量矩陣來統計網絡流量的方法,。使用主成分分析法對數據進行處理，并且計算動態(tài)閾值,，判斷是否存在異常,。相比于IP流量對，物理鏈路相對穩(wěn)定,，數據統計簡單,，不會出現大量誤報，且執(zhí)行速度大幅增加,。

3.3.2 主成分分析法異常檢測

    流量矩陣：每個OpenFlow交換機之間的鏈路流量稱為SS對,。流量矩陣X為t×p維的矩陣，常量t是樣本數量,，變量p為SS對數量,，X_ij表示第i個樣本、第j個SS對的流量大小,。

    對于t×p維流量矩陣X應用主成分分析方法計算特征值與特征向量,，使前k個主成分特征值和達到所有主成分特征值和的85%，前k個主成分特征向量構成正常子空間s,，剩余的p-k個主成分特征向量則構成異常子空間s′,。將流量矩陣X向這兩個子空間進行投影。正常子空間s中的k個特征向量組成的矩陣記為P,，矩陣各列的平均值組成向量記為x,。設x在正常子空間的投影為模型流量x′，在異常子空間的投影為殘差流量x″,，如式(5)所示：

    采用滑動窗口機制更新流量矩陣,，正常時模型流量與殘差流量大致不變，當出現異常時，殘差流量會發(fā)生巨大的變化,，殘差流量變化值如式(9)所示：

4 實驗及結果分析

4.1 實驗環(huán)境說明

    實驗使用mininet[7]進行模擬,，floodlight控制器進行網絡信息的獲取與流表項的下發(fā),利用hping測試軟件進行模擬攻擊實驗。圖2為實驗拓撲圖,，實驗測試時長1 000 s,，具體測試詳見表1攻擊說明。

4.2 測試結果說明

4.2.1 源IP防偽測試結果

    源IP防偽屬于功能檢驗,，防偽率100%,，圖3為統計結果。在測試實驗的200 s和800 s注入了偽造源IP的攻擊流量,，攻擊結果被實時體現出來,。

4.2.2 接入層異常檢測測試結果

    接入層檢測當收到不失一般性的流量攻擊時，會觸發(fā)報警下發(fā)流表,，結果如圖4所示,。圖4(a)為該接入端口接收到的數據包數，圖4(b)為此端口實際轉發(fā)的數據包數,。在流量正常時,，接收即轉發(fā)，所以圖4(a)與圖4(b)無差別,。在第300 s與500 s時注入攻擊流量,，發(fā)生報警時，對端口進行限制,，圖4(b)中轉發(fā)流量大幅下降,，表明對攻擊行為做出了防御動作，將異常流量封鎖在網絡外,。

4.2.3 鏈路流量異常檢測的測試結果

    趨近正常速率發(fā)送數據包的主機會被接入層檢測漏檢,，此時鏈路層流量檢測就會起到作用，如圖5所示,，為保證不過分消耗控制器資源,，每10 s執(zhí)行一次算法。在400 s和650 s注入了DDoS攻擊流量,，流量殘差值的變化突然增大超過依靠上一個檢測周期計算出的閾值,，發(fā)生報警。但攻擊流量會造成流量矩陣的混亂,，可能會發(fā)生可預知的誤報,，總誤報率約5%。

5 總結

    針對各式各樣的DDoS攻擊應該采用多種防御手段,，本文利用SDN的優(yōu)勢獲取網絡狀態(tài),，通過源IP地址的動態(tài)綁定,，基于差分方差的接入層異常檢測，基于多元統計分析的鏈路流量異常檢測,，構建了一個DoS/DDoS防御體系,，并通過實驗進行了驗證。實驗表明,，此體系不僅能對各類DoS/DDoS攻擊迅速做出響應,，并且可以將攻擊流量封鎖在源頭。未來研究者可以從本文的思路繼續(xù)探索,，提出更加先進的檢測算法,，完善此防御體系。

參考文獻

[1] 左青云,，陳鳴,，趙廣松，等.基于OpenFlow的SDN技術研究[J].軟件學報,，2013(5)：1078-1097.

[2] 肖佩瑤,，畢軍.基于OpenFlow架構的域內源地址驗證方法[J].小型微型計算機系統,，2013,，34(9)：1999-2003.

[3] 劉勇，香麗蕓.基于網絡異常流量判斷DoS/DDoS攻擊的檢測算法[J].吉林大學學報(信息科學版),，2008(3)：313-319.

[4] 左青云,，陳鳴，王秀磊,，等.一種基于SDN的在線流量異常檢測方法[J].西安電子科技大學學報,，2015(1)：155-160.

[5] LAKHINA A，CROVELLA M,，DIOT C.Diagnosing network-wide traffic anomalies[C].Proceedings of the ACMSIGCOMM.New York：ACM,，2004：219-230.

[6] JACKSON J E，MUDHOLKAR G S.Control procedures for residuals associated with principal component analysis[J].Technometrics,，1979,，21(3)：341-349.

[7] HANDIGOL N，HELLER B,，JEYAKUMAR V,，et al.Reproducible network experiments using container-based emulation[C].Proceedings of the 8th International Conference on Emerging Networking Experiments and Technologies.New York：ACM，2012：253-264