基于大数据的半分布式僵尸网络动态抑制算法

doi:10.3969/j.issn.1006-2475.2020.08.018

摘要/Abstract

摘要： 为了提高半分布式僵尸网络的安全性，提出一种基于大数据的半分布式僵尸网络动态抑制算法。采用波特间隔均衡控制方法，进行半分布式僵尸网络的动态特征补偿，构建半分布式僵尸网络动态特征信息采样模型，利用判决均衡方法，对采集到的动态特征信息进行定量递归分析，提取半分布式僵尸网络的统计特征量；在此基础上，采用大数据寻优计算方法，获取真正的半分布式僵尸网络最优抑制参数，在嵌入式环境下，将半分布式僵尸网络的最优抑制参数与迁移负载响应结果相结合，实现半分布式僵尸网络动态抑制。仿真结果表明，采用本文方法进行半分布式僵尸网络动态抑制的效果较好，提高了抑制精度，缩短了抑制时间，且降低了网络输出误码率。

关键词: 大数据, 半分布式, 僵尸网络, 动态抑制

Abstract: In order to improve the security of semi-distributed botnet, a dynamic suppression algorithm of semi-distributed botnet based on big data is proposed. The method of baud interval equalization control is used to compensate the dynamic characteristics of the semi-distributed botnet. The sampling model of the dynamic characteristics of the semi-distributed botnet is constructed. The decision equalization method is used to analyze the collected dynamic characteristics quantitatively and recursively and extract the statistical characteristics of the semi-distributed botnet. On this basis, the big data optimization calculation method is used to achieve the true optimal suppression of the semi-distributed botnet. Under the embedded environment, the optimal inhibition parameters of the semi-distributed botnet are combined with the results of load response to realize the dynamic inhibition of the semi-distributed botnet. The simulation results show that the semi-distributed botnet dynamic suppression method has a good effect, it improves the suppression precision, shortens the suppression time, and reduces the bit error rate of network output.

Key words: big data, semi-distributed, botnet, dynamic suppression

中图分类号:

TP391

刘张榕. 基于大数据的半分布式僵尸网络动态抑制算法[J]. 计算机与现代化, 2020, 0(08): 109-113.

LIU Zhang-rong. Dynamic Suppression Algorithm of Semi-distributed Zombie Network Based on Big Data[J]. Computer and Modernization, 2020, 0(08): 109-113.

参考文献［20］

［1］	姚富光,钟先信,周靖超. 粒计算:一种大数据融合智能建模新方法［J］. 南京理工大学学报(自然科学版), 2018,42(4):503-510.
［2］	徐晓霞,姜春茂,黄春梅. 一种基于三支决策的移动云任务节能卸载方法［J］. 南京理工大学学报(自然科学版), 2019,43(4):447-454.
［3］	陈连栋,张蕾,曲武,等. 一种分布式的僵尸网络实时检测算法［J］. 计算机科学, 2016,43(3):127-136.
［4］	李建. 基于流量的P2P僵尸网络检测［J］. 计算机时代, 2016(5):45-48.
［5］	李传煌,吴艳,钱正哲,等. SDN下基于深度学习混合模型的DDoS攻击检测与防御［J］. 通信学报, 2018,39(7):176-187.
［6］	高见,王威,芦天亮,等. 僵尸网络恶意代码的有效检测方法研究［J］. 计算机仿真, 2016,33(6):254-257.
［7］	张琦,宫忱. 利用DNS日志数据检测僵尸网络技术探讨［J］. 现代电信科技, 2016,46(4):39-43.
［8］	康松林,樊晓平,刘乐,等. ENN-ADASYN-SVM算法检测P2P僵尸网络的研究［J］. 小型微型计算机系统, 2016,37(2):216-220.
［9］	宋元章,陈媛,王俊杰,等. 基于网络行为特征与Dezert-Smarandache理论的P2P僵尸网络检测［J］. 东南大学学报（英文版）, 2018(2):191-198.
［10］	YIN C L, ZHU Y F, FEI J L, et al. A deep learning approach for intrusion detection using recurrent neural networks［J］. IEEE Access, 2017,5:21954-21961.
［11］	ALIEYAN K, ALMOMANI A, MANASRAH A, et al. A survey of botnet detection based on DNS［J］. Neural Computing & Applications, 2017,28(7):1541-1558.
［12］	TAYOU J. Identification of subsets of actionable genetic alterations in KRAS-mutant lung cancers using association rule mining［J］. Cellular Oncology, 2018,41(4):395-408.
［13］	MALIK A, PANDEY B, WU C C. Secure model to generate path map for vehicles in unusual road incidents using association rule based mining in VANET［J］. Electronic Science and Technology Journal, 2018,16(2):153-162.
［14］	张志强,余莉,韩方剑,等. 语音信号的自适应噪声抵消技术研究［J］. 电脑知识与技术, 2016,12(2):227-231.
［15］	黎相成,陈海强,梁奇,等. 基于二元译码信息的迭代大数逻辑LDPC译码算法及其量化优化［J］. 电子与信息学报, 2017,39(4):873-880.
［16］	MOON S, CHOE H, CHU M, et al. Design and performance analysis of soft decision-based network-assisted interference cancellation and suppression scheme［J］. Wireless Personal Communications, 2017,96(6):1-15.
［17］	LI T L, WANG S X, LI B H. Research on suppression strategy of social network information based on effective isolation［J］. Procedia Computer Science, 2018,131:131-138.
［18］	HUANG C, TANG T, JIANGY Q, et al. Faulty feeder detection by adjusting the compensation degree of Arc-suppression-coil for distribution network［J］. IET Generation Transmission & Distribution, 2017,12(4):807-814.
［19］	GUO M F, YOU J Z, LIN X H,et al. Flexible Arc-suppression optimization method for distribution network adaptable to variation of line parameters and load［J］. Automation of Electric Power Systems, 2017,41(8):138-145.
［20］	夏凡,方方,丁中涛,等. 基于机器学习的IPFIX的僵尸通信检测［J］. 信息技术与网络安全, 2019,38(9):50-54.

[1]	周明升, 张雯. 一种面向多源数据的智慧园区管理平台[J]. 计算机与现代化, 2023, 0(05): 68-74.
[2]	邱金水, 庄会富, 金涛. 面向海量植物图像的智能检索系统设计[J]. 计算机与现代化, 2022, 0(10): 62-67.
[3]	单珂, 张一鸣, 刘瑞霞, . 面向中原城市群的科技服务资源池研究与设计[J]. 计算机与现代化, 2022, 0(07): 91-96.
[4]	黄安琪, 苗放, 杨文晖, 倪雅婷, 蒋媛. 基于数据架构的结构化数据注册引擎设计[J]. 计算机与现代化, 2022, 0(05): 82-89.
[5]	曹禹, 李晓辉, 刘忠麟, 贾贺, 费志伟. 云环境大数据工作流编排管理系统研究综述[J]. 计算机与现代化, 2022, 0(01): 41-53.
[6]	张小芳, 冯慧芳. 基于轨迹大数据的动态最优路径规划[J]. 计算机与现代化, 2021, 0(11): 82-88.
[7]	李明, 陈积富, 易小荣, 刘书铭. 基于JFinal框架的洞庭湖环境监测系统[J]. 计算机与现代化, 2021, 0(10): 41-48.
[8]	魏云东. 基于大数据技术的人才智能推荐方法[J]. 计算机与现代化, 2021, 0(07): 60-64.
[9]	雷鸣, 姜罕盛, 武国良, 赵玉娟, 梁健. 基于HBase的大数据架构下负载平衡技术[J]. 计算机与现代化, 2021, 0(06): 91-95.
[10]	刘锋, 邹臣嵩, 崔炜. 大数据环境下基于K中心点优化算法的Web服务组合[J]. 计算机与现代化, 2020, 0(12): 20-24.
[11]	潘卫军, 刘皓晨, 王润东, 胡博文. 基于ANN的改进Spark系统在空管大数据处理中的应用[J]. 计算机与现代化, 2020, 0(12): 78-82.
[12]	周贤来. 基于语义分割的异构多核平台大数据挖掘算法[J]. 计算机与现代化, 2020, 0(10): 40-43.
[13]	吴海伟, 王晓忠, 朱法顺, . 一种基于遗传算法的智能电网调度方法[J]. 计算机与现代化, 2020, 0(09): 122-126.
[14]	徐建鹏, 张辉, 伍琼, 王晖, 汪兵. 安徽气象为农服务大数据平台设计与应用[J]. 计算机与现代化, 2020, 0(08): 105-108.
[15]	王宇飞1,杜天苍1,2. 基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用[J]. 计算机与现代化, 2019, 0(11): 29-.