| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-19页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 主要内容和创新点 | 第17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 2 应用层DDoS攻击及其检测技术 | 第19-27页 |
| 2.1 DDoS的攻击思想及特点 | 第19-20页 |
| 2.2 应用层DDoS攻击原理及手法 | 第20-23页 |
| 2.2.1 应用层DDoS攻击原理及特性 | 第20-22页 |
| 2.2.2 常见的应用层DDoS攻击手法 | 第22-23页 |
| 2.3 常见应用层DDoS检测相关技术 | 第23-26页 |
| 2.3.1 基于PUZZLE的检测技术 | 第23-24页 |
| 2.3.2 基于流量特征的检测技术 | 第24-25页 |
| 2.3.3 基于访问行为的检测技术 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 应用层DDoS攻击行为特异性研究 | 第27-37页 |
| 3.1 研究思路 | 第27页 |
| 3.2 行为特异性的形式化描述 | 第27-33页 |
| 3.2.1 针对正常用户的行为分析 | 第27-30页 |
| 3.2.2 针对特殊行为——突发流的分析 | 第30-31页 |
| 3.2.3 针对应用层DDoS攻击的行为分析 | 第31-32页 |
| 3.2.4 特异性形式化描述方法——IP请求熵 | 第32-33页 |
| 3.3 IP请求熵模型有效性分析 | 第33-35页 |
| 3.3.1 基于IP请求熵的应用层DDoS攻击行为分析 | 第33-34页 |
| 3.3.2 基于IP请求熵的突发流行为分析 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 4 基于时间序列预测模型的检测方法 | 第37-52页 |
| 4.1 检测思想 | 第37页 |
| 4.2 时间序列分析相关理论及特征 | 第37-39页 |
| 4.3 时间序列预测模型 | 第39-49页 |
| 4.3.1 双时间线预测模型构建 | 第39-44页 |
| 4.3.2 预测模型的参数选择 | 第44-48页 |
| 4.3.3 仿真与对比试验 | 第48-49页 |
| 4.4 异常判定机制 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 基于Spark的检测方法优化与设计 | 第52-64页 |
| 5.1 Spark相关技术 | 第52-57页 |
| 5.1.1 弹性分布数据集 | 第53页 |
| 5.1.2 SparkStreaming | 第53-56页 |
| 5.1.3 Flume数据采集组件 | 第56页 |
| 5.1.4 Kafka数据整理组件 | 第56-57页 |
| 5.2 基于Spark的检测方法优化 | 第57-61页 |
| 5.2.1 IP请求熵实时获取 | 第58-59页 |
| 5.2.2 时间序列动态更新 | 第59-61页 |
| 5.3 基于Spark平台的检测方法设计 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 6 方法测试与结果分析 | 第64-70页 |
| 6.1 测试方案设计 | 第64-65页 |
| 6.2 测试工具说明 | 第65-66页 |
| 6.3 测试过程描述 | 第66-68页 |
| 6.4 测试结果分析 | 第68-69页 |
| 6.5 本章小结 | 第69-70页 |
| 7 总结与展望 | 第70-72页 |
| 7.1 研究工作总结 | 第70-71页 |
| 7.2 后续工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 在校期间的科研成果 | 第77页 |