陳 曄

（常州紡織服裝職業(yè)技術(shù)學院信息服務中心，江蘇 常州 213164）

0 引 言

傳統(tǒng)網(wǎng)絡設(shè)備的控制和轉(zhuǎn)發(fā)是緊密結(jié)合的，一般是由同一臺設(shè)備實現(xiàn)控制和轉(zhuǎn)發(fā)，軟件定義網(wǎng)絡（SDN）已經(jīng)成為一種新型的網(wǎng)絡架構(gòu)，其核心內(nèi)容是控制平面與數(shù)據(jù)平面分離［1］。 SDN 的架構(gòu)如圖1所示，通常由3 層平面組成：數(shù)據(jù)平面、控制平面和應用平面［2］。 其中，數(shù)據(jù)平面一般是指負責數(shù)據(jù)轉(zhuǎn)發(fā)的交換機。 控制平面包含一個或多個SDN 控制器，集中管理網(wǎng)絡中的轉(zhuǎn)發(fā)設(shè)備。 應用平面主要是面向業(yè)務應用API。 在交換機和控制器之間使用開放的接口協(xié)議：OpenFlow 協(xié)議。 這種網(wǎng)絡集中管理方式不僅簡化了網(wǎng)絡架構(gòu)，而且使網(wǎng)絡具有靈活性、可編程性。 OpenFlow 協(xié)議主要解決轉(zhuǎn)發(fā)設(shè)備（如OpenFlow 交換機）和控制器之間的通信問題［3］。OpenFlow 交換機包含一個或多個由匹配規(guī)則、計數(shù)器和動作字段組成的流表，再根據(jù)指定流量的匹配規(guī)則（控制信令）完成數(shù)據(jù)轉(zhuǎn)發(fā)，如圖2 所示。

圖1 SDN 的基本架構(gòu)Fig. 1 The basic architecture of SDN

圖2 數(shù)據(jù)和控制分離Fig. 2 Separation of data and control

SDN 因為架構(gòu)原因，自身存在如劫持、中毒、配置錯誤、拒絕服務和跳板攻擊等安全隱患。 跳板攻擊因為非常容易執(zhí)行，又很難被發(fā)現(xiàn)，所以被黑客所青睞，黑客只要通過wireshark 之類的抓包工具，監(jiān)聽網(wǎng)絡流量，很容易就能將控制器和OpenFlow 交換機之間的控制信令捕獲到。

1 Openflow 轉(zhuǎn)發(fā)

OpenFlow 協(xié)議最初是在2008年作為斯坦福大學的一個研究項目部署在校園網(wǎng)，研究OpenFlow 的目的是對傳統(tǒng)網(wǎng)絡進行變革，通過一個或多個控制器對多個交換機進行靈活控制，可按規(guī)則進行端口轉(zhuǎn)發(fā)，簡化了網(wǎng)絡配置與管理，并通過可編程性實現(xiàn)網(wǎng)絡層及應用層的創(chuàng)新。 目前OpenFlow 協(xié)議標準已經(jīng)發(fā)布到最新的1.5 版本，國內(nèi)很多數(shù)通廠商在使用更為穩(wěn)定的1.3 版本（如銳捷、華三），OpenFlow 協(xié)議所控制的交換機有2 種運行模式：主動模式和反應模式。 其中，主動模式是指，匹配規(guī)則在業(yè)務流量到達之前提前部署到交換機，而反應模式是指先有流量，在流量無匹配規(guī)則的情況下，交換器向控制器請求匹配規(guī)則再轉(zhuǎn)發(fā)數(shù)據(jù)，所以整個過程控制器都參與其中，反應模式更智能，這個過程被稱為“OpenFlow 轉(zhuǎn)發(fā)”。 圖3 用一系列的步驟說明這個過程。 參照圖3，對比流程步驟可詳述如下。

圖3 OpenFlow 協(xié)議轉(zhuǎn)發(fā)（反應模式）Fig. 3 OpenFlow protocol forwarding （reactive mode）

（1）源主機“A”將數(shù)據(jù)包轉(zhuǎn)發(fā)到交換機（S1）的通信端口port1。

（2） 在收到數(shù)據(jù)包后，交換機在其流表中進行查找該數(shù)據(jù)包的匹配規(guī)則。 如果數(shù)據(jù)包在交換機（S1） 中沒有匹配的流條目，那么根據(jù)默認，交換機通過OpenFlow（南向）接口把OF＿PACKET＿IN消息轉(zhuǎn)發(fā)給控制器。

（3） 控制器收到OF＿PACKET＿IN消息后，根據(jù)自定義程序，把匹配規(guī)則OF＿PACKET＿OUT消息發(fā)回給交換機（S1）。

（4）交換機（S1） 更新流表，將數(shù)據(jù)包從指定端口轉(zhuǎn)發(fā)到下一個節(jié)點交換機（S2）。

（5）同樣，交換機（S2） 收到數(shù)據(jù)包后，也會在流表中進行查找，如果沒有找到匹配規(guī)則，也會把OF＿PACKET＿IN 消息轉(zhuǎn)發(fā)給控制器。

（6）控制器根據(jù)自定義程序向交換機（S2） 回復OF＿PACKET＿OUT消息。 交換機（S2） 更新流表后，按規(guī)則把數(shù)據(jù)從port2 送到port1。

（7）源主機“B”收到數(shù)據(jù)包。

（8）源主機“A”到“B”的數(shù)據(jù)交換過程都是由控制器和交換機完成，數(shù)據(jù)包前后各字段不做改變，除非是網(wǎng)絡發(fā)生拓撲變化，對應目的地址、MAC 發(fā)生變化。

反應模式雖然更智能，但是缺點是OpenFlow 交換機及控制器極易受到DDoS 攻擊。 比如應用層DDoS 攻擊中會使用大量欺騙性O(shè)F＿PACKET＿IN報文占用交換機和控制器之間的OpenFlow 通道的帶寬，降低回復效率，造成合法的規(guī)則匹配請求被拒絕。

2 基于SDN 架構(gòu)的應用層DDoS 攻擊的分類方法

本節(jié)對在SDN 架構(gòu)下的應用層DDoS 攻擊進行分類，并說明了SDN 架構(gòu)的各種組件遭受攻擊的原因。 研究可知，分類則包括針對交換機漏洞的分類，以及按不同的攻擊類型進行分類。

基于SDN 架構(gòu)的DDos 攻擊分類如圖4 所示。由圖4 可知，基于SDN 架構(gòu)的DDos 攻擊主要包括：攻擊數(shù)據(jù)平面的交換機；攻擊交換機橫向數(shù)據(jù)通道；攻擊交換機的控制單元；攻擊交換機的流表；攻擊交換機的數(shù)據(jù)包緩沖器；攻擊南向OpenFlow 接口；攻擊SDN 控制器；攻擊控制器橫向接口；攻擊北向API 接口。

圖4 基于SDN 架構(gòu)的DDos 攻擊分類Fig. 4 Classification of DDos attacks based on SDN architecture

2.1 按交換機漏洞分類

（1）控制單元過載。 交換機的轉(zhuǎn)發(fā)由控制器控制，這依賴于交換機控制單元。 因為交換機控制單元處理和轉(zhuǎn)發(fā)數(shù)據(jù)包的數(shù)量是有限的，當DDoS 攻擊發(fā)送Packet＿In消息的速度超過控制單元可以轉(zhuǎn)發(fā)到控制器的速度，那么就會造成控制單元過載。所以一旦泛洪，交換機的整體性能就會下降，甚至當機。

（2）數(shù)據(jù)包緩沖區(qū)溢出。 當交換機收到新數(shù)據(jù)包時，就會加載到數(shù)據(jù)包緩沖區(qū)，而后使用Packet＿In message 將數(shù)據(jù)包的頭轉(zhuǎn)發(fā)給控制器。 在DDoS 攻擊下，緩沖區(qū)很快就會溢出，根據(jù)OpenFlow 協(xié)議，ofp＿action＿output 中的max＿len 字段要轉(zhuǎn)換成OFPCML＿NO＿BUFFER，因此交換機必須將數(shù)據(jù)包完整地轉(zhuǎn)發(fā)給控制器，由此南向接口會產(chǎn)生大量的數(shù)據(jù)包，造成控制信道的帶寬和控制器的資源枯竭，使控制器的匹配規(guī)則無法及時送達，造成交換機處理數(shù)據(jù)轉(zhuǎn)發(fā)時間增加，最后引起合法用戶丟包。

（3）流條目持續(xù)時間。 OpenFlow 交換機對每個流表都會設(shè)置流條目的超時機制、即流條目的在交換機內(nèi)的持續(xù)時間。當idle＿timeout非零時，如果沒有收到流量，流條目會在指定的idle＿timeout值之后過期； 當hard＿timeout為非零時，流條目在指定hard＿time out值之后過期，與入口的數(shù)據(jù)包是否到達無關(guān)。 有一種應用層DDos 攻擊以最小的持續(xù)時間連續(xù)發(fā)送攻擊流量，造成交換機流條目超時溢出，合法的流表被覆蓋，使交換機數(shù)據(jù)包轉(zhuǎn)發(fā)失敗。

2.2 按攻擊類型分類

應用層DDoS 攻擊主要分為2 種類型：帶寬飽和攻擊和資源飽和攻擊。 其中，帶寬飽和攻擊的目的是通過發(fā)送大量的欺騙性數(shù)據(jù)包，消耗其通道的帶寬能力，攻擊SDN 架構(gòu)的控制通道（南向API）、交換機橫向數(shù)據(jù)通道、控制器橫向通道和北向通道。另外，資源飽和攻擊消耗的是SDN 網(wǎng)絡設(shè)備的性能資源，如CPU、內(nèi)存。

（1）交換機的資源飽和度。 交換機是轉(zhuǎn)發(fā)設(shè)備，使用 OpenFlow 通道與控制器進行通信。OpenFlow 交換機最多支持幾百到幾千個流條目。與控制器每秒可處理的流量請求數(shù)量相比，交換機的處理能力也是一個瓶頸。 DDoS 攻擊者可以利用流條目的反應性規(guī)則安裝機制瞬間使交換機流條目達到峰值。

（2）控制器的資源飽和度。 因為控制器的包處理能力遠高于交換機，所以黑客往往優(yōu)先攻擊交換機，當交換機的數(shù)據(jù)包緩沖區(qū)溢出，因為OFPCML＿NO＿BUFFER 的原因，同步攻擊控制器，就會大量消耗控制器的處理能力（CPU）和物理內(nèi)存（RAM）。當主控制器的資源耗盡出現(xiàn)問題，就會影響整個網(wǎng)絡，造成高延遲和長響應時間，使合法的網(wǎng)絡服務完全退化和不可用。 現(xiàn)在成熟的SDN 網(wǎng)絡都會部署多個控制器做負載均衡，從而提高控制器的處理能力。

（3）控制通道飽和度。 南向API，也被稱為“控制通道”，用于連接交換機和控制器。 通過OpenFlow 協(xié)議在交換機和控制器之間提供了一個接口。 控制器實時與交換機保持連接，為交換機提供路由和控制網(wǎng)絡流量（Qos）的決策。 黑客可以利用OpenFlow 在數(shù)據(jù)平面和控制平面之間的這種可擴展性缺陷，發(fā)起基于新流表的分布式拒絕服務攻擊，也就是通過發(fā)送大量的欺騙性IP 地址攻擊數(shù)據(jù)包，使交換機和控制器之間的OpenFlow 協(xié)議接口飽和，導致控制器無法控制交換機。

（4） 交換機橫向數(shù)據(jù)通道飽和度。 交換機橫向數(shù)據(jù)通道是指2 個以上OpenFlow 交換機之間的通信鏈接。 是在交換機之間轉(zhuǎn)發(fā)網(wǎng)絡流量，受到DDos攻擊后，交換機之間的一些數(shù)據(jù)通道或鏈接將被惡意數(shù)據(jù)包占據(jù)，那么交換機之間將中斷連接。 一旦數(shù)據(jù)通道存在瓶頸，交換機根本無法轉(zhuǎn)發(fā)任何數(shù)據(jù)包，這種情況也會造成整個網(wǎng)絡的癱瘓。

（5）控制器橫向通道飽和度。 在SDN 架構(gòu)中，橫向通道指的多個控制器之間的接口通道。 當單一的集中式控制器由于網(wǎng)絡交換機數(shù)量的增加而無法處理網(wǎng)絡流量時，多個控制器通過橫向綁定的API接口提供負載均衡以保證整個網(wǎng)絡可靠性，DDos 可以從任何一個方向攻擊控制器，導致橫向通道的接口被大量進入的攻擊數(shù)據(jù)包所占用，控制器如果無法及時解決負載問題，也會造成整個網(wǎng)絡癱瘓。

（6）北向通道飽和度。 控制器依靠可編程應用的北向API 來保證整個網(wǎng)絡系統(tǒng)靈活度。 軟件開發(fā)人員使用這個接口對網(wǎng)絡控制實現(xiàn)可編程。 與南向API 不同，每個平臺都有自己的北向API，缺少統(tǒng)一的標準。 這種標準化的缺失也是一種安全威脅，所以黑客也可以通過北向API 針對控制器進行攻擊，導致北向接口的擁堵。

3 基于SDN 架構(gòu)的DDOS 攻擊檢測技術(shù)研究

SDN 網(wǎng)絡一直受到DDoS 攻擊，研究者掌握了許多檢測DDoS 攻擊的方法：

（1）一種基于時間特征的DDoS 攻擊檢測方法，提取攻擊的時間并記錄，使用時間特征快速有效地檢測和防御DDoS 攻擊。 有的黑客利用控制器處理新網(wǎng)絡數(shù)據(jù)包的反應時間差，在這個時間窗口內(nèi)向控制器發(fā)送大量的請求，從而對SDN 控制器發(fā)起攻擊，利用這個特點，可以迅速發(fā)現(xiàn)此類攻擊并定位到源IP 進行有效阻斷，這個檢測方法的缺點是僅針對長快頻的攻擊有效，對低速低頻攻擊無效。

（2）一種過濾請求的新方法可以通過OpenFlow主動模式將所有的新數(shù)據(jù)包直接發(fā)送到安全網(wǎng)關(guān)，而不是使用控制器來降低熵值（參見圖5），通過熵值法來檢測DDoS 攻擊，及時生成新規(guī)則更新交換機流表，交換機對符合規(guī)則的源目地址做丟包處理，這種方法必須抓取3 個特征值：協(xié)議、源IP 地址和目的IP 地址。 該檢測方法需要消耗時間來處理新的數(shù)據(jù)流，同時也會消耗系統(tǒng)性能。

圖5 主動模式下的DDos 防御Fig. 5 DDos defence in active mode

（3）在OpenFlow 中采用基于熵的輕量級DDoS泛濫攻擊檢測方法，減少對控制器的流量收集負載，減輕控制器因為頻繁的流量收集帶來性能消耗，使交換機更智能地主動檢測交換機上的DDoS 攻擊，這種方式缺點就是會降低控制器和交換機之間的通信頻率。

4 Mininet 創(chuàng)建模擬檢測環(huán)境

4.1 Mininet

Mininet 是一個基于Linux 的輕量級虛擬化工具，本文使用Mininet 快速創(chuàng)建SDN 網(wǎng)絡模型（見圖6），該軟件可以虛擬添加交換機、主機和控制器，也可以改變或修改網(wǎng)絡結(jié)構(gòu)和連接。 創(chuàng)建步驟如下：

圖6 簡單SDN 網(wǎng)絡模型Fig. 6 Simple SDN network model

（1）將Mininet 安裝在Ubuntu Linux 上。

（2）命令行：

mn －topo single，3 －mac －switch ovsk －controller remote

創(chuàng)建3 個虛擬主機，在內(nèi)核中創(chuàng)建1 個具有3個端口的OpenFlow 交換機，為每個主機設(shè)置MAC和IP 地址，配置交換機連接到控制器。 控制器在本地運行，與模擬器Mininet 所運行的硬件相同。

（3）命令行：

dpctl dump－flows tcp：127.0.0.1：6634

連接到交換機并顯示安裝的流量表。

（4）命令行：

dpctl add－flow tcp：127.0.0.1：6634 in＿port ＝0，actions＝output：1

創(chuàng)建一個規(guī)則，所有到達交換機端口0 的數(shù)據(jù)包將被轉(zhuǎn)發(fā)到端口1。

（5）安裝開源的Floodlight OpenFlow 控制器。

（6）安裝網(wǎng)絡分析軟件sFlowRT，該軟件內(nèi)嵌在OpenFlow 控制器中，可以實時監(jiān)控OpenFlow 交換機和控制器之間的通信流量。

（7）安裝sFlow－RT 分析器的命令：

sudo mn－controller＝remote，ip ＝172.0.0.1，port ＝6653－topo ＝single，3。

（8）連接OpenFlow 到sFlow－RT 分析器的命令：

sudo ovs－vsctl－－id ＝@sflow create sflow agent ＝eth0 target ＝ 172.0.0.1：6643，ampling ＝10 polling ＝20－－set bridge s1 sflow ＝@ sflow，設(shè)置完成后，手動啟動sFlow 分析器，通過.／sFlow－rt／start 命令收集的數(shù)據(jù)樣本，同時設(shè)置訪問地址：http：／ ／localhost：8080／ui／pages／index.html。

（9）安裝WEKA 機器學習軟件。

（10）測試期間控制器不可人為斷開，否則測試將失敗。

4.2 采集數(shù)據(jù)

本次測試使用了2 臺主機、2 臺OpenFlow 交換機和1 個控制器。 WEKA 是一款開源的機器學習以及數(shù)據(jù)挖掘軟件，該軟件可以在同一數(shù)據(jù)集上建立多個機器學習模型，本文使用WEKA 機器學習軟件建立模型并測試模型的準確性，同時對正常和Dos攻擊的數(shù)據(jù)建立數(shù)據(jù)集，包括TCP、UDP、ICMP、ARP、IPv4 和SSH 等6 種協(xié)議。 在DDos 攻擊期間，1 臺主機作為受害者，1 臺主機作為攻擊者，主動采集每個交換機及控制器上的流量情況。 正常情況下控制器上數(shù)據(jù)流量如圖7 所示，DDos 環(huán)境下控制器數(shù)據(jù)流量如圖8 所示。

圖7 正常情況下控制器上數(shù)據(jù)流量Fig. 7 Data traffic on the controller under normal conditions

圖8 DDos 環(huán)境下控制器數(shù)據(jù)流量Fig. 8 Controller data traffic in the DDos environment

5 AdaBoost 機器學習算法

由于數(shù)據(jù)集實例不是很大，為了減少偏差，在數(shù)據(jù)集中加入了25% 的噪聲數(shù)據(jù)。 本文使用AdaBoosting 機器學習算法，將決策樹作為一個弱分類器來建立網(wǎng)絡的分類器模型。

5.1 數(shù)據(jù)分類

為了降低復雜性，減少了特征的數(shù)量，使用遞歸特征消除（RFE）進行遞歸刪除特征，并在剩余的特征上構(gòu)建模型。 RFE 根據(jù)數(shù)據(jù)集中所有特征在實例分類中對重要特征進行排序。 RFE 算法需要2 個參數(shù)，一是要保留的特征數(shù)量，二是在評估特征重要性的過程中要使用的模型，經(jīng)測試選擇的特征數(shù)量最終確定為7 個，分別是：目的地端口；Bwd 包長度平均值；Bwd 包長度標準；Bwd 包／s；包長度平均值；最大包長度；平均Bwd 段大小。

5.2 建立分類模型

（1）AdaBoost 是自適應模型，這個模型從弱分類器中自我學習，性能隨著后續(xù)的分類器而提高。分類方程為：

（2）決策樹評估了特征的重要性和準確性。 推得的公式為：

（3）多層感知器模型。 模型公式可寫為：

5.3 建立后流程

模型建立后，該模型與SDN 控制器相連接，控制器只轉(zhuǎn)發(fā)那些被分類器模型過濾的流量，涉及2次網(wǎng)絡流量過濾，第一次由SDN 控制器本身執(zhí)行，利用自定義網(wǎng)絡配置過濾掉普通的攻擊流量；第二次，由SDN 控制器通過機器學習分類器再次過濾掉攻擊流量，該分類器只通過機器學習算法中被標記為良性的數(shù)據(jù)流量。 WEKA 數(shù)據(jù)集概述見圖9。

圖9 WEKA 數(shù)據(jù)集概述Fig. 9 WEKA dataset overview

5.4 指標分析

（1）真陽性（TP）：攻擊時產(chǎn)生的異常數(shù)據(jù)；假陽性（FP）：將正常數(shù)據(jù)分類為攻擊；假陰性（FN）：異常數(shù)據(jù)被分類為正常數(shù)據(jù)；真陰性（TN）：被分類為正常的數(shù)據(jù)。

（2）指標定義及計算公式

①精度。 是指正確分類為攻擊的數(shù)據(jù)與分類為攻擊的總數(shù)據(jù)之比。 具體數(shù)學公式為：

②召回。 是指正確分類數(shù)據(jù)的比率。 具體數(shù)學公式為：

③F －衡量。 是指精確度和召回率的加權(quán)平均值。 具體數(shù)學公式為：

（3）對多個機器學習模型計算得出結(jié)果進行比較，AdaBoost 精度相對更準確些，多層感知器模型，屬于人工神經(jīng)網(wǎng)絡，但是執(zhí)行效率非常低，見表1。

表1 不同機器學習技術(shù)的性能指標分析Tab. 1 Analysis of performance metrics of different machine learning techniques

6 檢測SDN 中DDoS 攻擊遇到的困難

綜上所述，SDN 將控制平面與數(shù)據(jù)平面分離，使管理更加便捷，同時實現(xiàn)可編程［4－6］。 盡管國內(nèi)外學者在SDN 環(huán)境下針對DDoS 攻擊方面的研究有了很多成果，但DDoS 攻擊面仍在擴大，而且技術(shù)更新迭代很快。 以下是SDN 環(huán)境下檢測DDoS 攻擊所面臨一些實際困難。

6.1 數(shù)據(jù)統(tǒng)計

大多數(shù)DDoS 攻擊檢測技術(shù)需要從OpenFlow交換機中收集數(shù)據(jù)構(gòu)建規(guī)則，例如提取數(shù)據(jù)報頭的特征來檢測異常行為的方法。 但是在低速率DDoS攻擊時，從流量中收集統(tǒng)計數(shù)據(jù)就很困難，另外采用負載均衡技術(shù)用多個分布式交換機來收集數(shù)據(jù)，所收集的數(shù)據(jù)精度達不到要求，同時收集難度也會加大。

6.2 算法選擇

DDoS 攻擊行為的多樣化使SDN 環(huán)境中的異常流量檢測變得復雜。 因此，許多算法已經(jīng)轉(zhuǎn)向人工神經(jīng)網(wǎng)絡、貝葉斯分類法、模糊邏輯等來檢測DDoS攻擊行為。 但是沒有一種算法能夠真正應對所有DDoS 攻擊。

6.3 響應速度

及時響應是SDN 控制器的關(guān)鍵，被DDoS 攻擊后，控制器要處理大量的流量，這會耗盡其性能，從而削弱響應合法用戶請求的能力。 現(xiàn)有的DDoS 攻擊檢測方法存在許多問題，包括控制器在短時間內(nèi)處理大量入口數(shù)據(jù)包的響應速度；無法檢測低速率的DDoS 攻擊；高網(wǎng)絡帶寬的消耗；無效的數(shù)據(jù)包帶來的處理負擔等都會導致攻擊檢測的延遲或無效。

7 結(jié)束語

本文使用Adaboost 和決策樹作為弱分類器，發(fā)現(xiàn)數(shù)據(jù)集的DDoS 攻擊檢測準確率可以達到94%。用機器學習模型的優(yōu)點是SDN 控制器通過自定義規(guī)則，利用分類器的輸出，可以有效阻斷那些特定的攻擊類型，在一定程度上增加了安全性。 但是隨著DDoS 攻擊的復雜程度不斷提高，尤其針對數(shù)據(jù)中心和網(wǎng)絡基礎(chǔ)設(shè)施的攻擊級別不斷提高，基于應用層的DDoS 攻擊給SDN 架構(gòu)帶來了許多安全挑戰(zhàn)和威脅，研究人員希望使用一種檢測防御方法來解決所有的DDos 的攻擊問題顯然是不可能的。 個人認為SDN 中集中控制的特性應該是DDoS 攻擊的核心，而分布式控制器的設(shè)計可以提供更好的負載分配、處理能力和可靠性，最大限度地降低因為單個控制器的通信故障而造成整網(wǎng)癱瘓的風險，同時機器學習在未來的網(wǎng)絡應用中具有很大的研究潛力，如何提高檢測精度，使檢測過程完全自動化，減少人為干預也是未來的研究方向。