| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题的研究背景与意义 | 第11-12页 |
| 1.2 课题的研究现状 | 第12-14页 |
| 1.2.1 SDN环境下的攻击检测方法 | 第12-13页 |
| 1.2.2 SDN环境下的攻击溯源方法 | 第13页 |
| 1.2.3 SDN环境下的攻击缓解方法 | 第13-14页 |
| 1.3 课题的主要研究内容及结构安排 | 第14-15页 |
| 第2章 SDN及深度学习相关技术 | 第15-25页 |
| 2.1 软件定义网络技术 | 第15-19页 |
| 2.1.1 SDN体系架构概述 | 第15-16页 |
| 2.1.2 OpenFlow协议详解 | 第16-19页 |
| 2.2 DDoS攻击 | 第19-21页 |
| 2.2.1 DDoS攻击原理 | 第19页 |
| 2.2.2 DDoS攻击分类 | 第19-20页 |
| 2.2.3 SDN中的DDoS攻击 | 第20-21页 |
| 2.3 深度学习技术 | 第21-24页 |
| 2.3.1 循环神经网络 | 第21-22页 |
| 2.3.2 长短时间记忆网络 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于深度学习的DDoS攻击检测 | 第25-43页 |
| 3.1 OpenFlow流表项特征提取 | 第25-28页 |
| 3.1.1 流表项特征提取意义 | 第25页 |
| 3.1.2 流表项特征提取方法 | 第25-28页 |
| 3.2 基于低秩分解和线性投影的改进LSTM压缩模型 | 第28-31页 |
| 3.2.1 RNN与LSTM压缩 | 第28-30页 |
| 3.2.2 LSTM压缩的改进设计 | 第30-31页 |
| 3.3 DDoS攻击检测方法 | 第31-34页 |
| 3.3.1 攻击检测模型搭建 | 第31-33页 |
| 3.3.2 攻击检测方法设计 | 第33-34页 |
| 3.4 实验验证 | 第34-42页 |
| 3.4.1 实验流程 | 第34-38页 |
| 3.4.2 深度学习模型训练及可视化实验 | 第38-40页 |
| 3.4.3 不同学习模型的性能对比实验 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 DDoS攻击的溯源及缓解 | 第43-53页 |
| 4.1 SDN环境下的DDoS攻击溯源 | 第43-50页 |
| 4.1.1 DDoS攻击溯源问题描述 | 第43-44页 |
| 4.1.2 溯源算法的改进设计 | 第44-48页 |
| 4.1.3 改进溯源算法的性能分析 | 第48-49页 |
| 4.1.4 改进溯源算法的实验验证 | 第49-50页 |
| 4.2 SDN环境下的DDoS攻击缓解 | 第50-52页 |
| 4.2.1 攻击缓解策略 | 第50-51页 |
| 4.2.2 攻击缓解方法 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 综合仿真 | 第53-60页 |
| 5.1 仿真平台介绍 | 第53-54页 |
| 5.1.1 POX控制器概述 | 第53-54页 |
| 5.1.2 Mininet概述 | 第54页 |
| 5.1.3 OpenvSwitch概述 | 第54页 |
| 5.2 实验验证 | 第54-59页 |
| 5.2.1 网络拓扑搭建 | 第54-55页 |
| 5.2.2 攻击检测及溯源方法验证 | 第55-58页 |
| 5.2.3 攻击缓解方法的验证 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 本文工作总结 | 第60-61页 |
| 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |