云环境下DoS与DDoS攻击检测的系统综述:演化趋势与元学习在跨域适应性中的新兴作用

《Frontiers in Artificial Intelligence》:A systematic review of DoS and DDoS attack detection in cloud environments: evolutionary trends and the emerging role of meta-learning for cross-domain adaptability

【字体: 大 中 小 】 时间:2026年10月21日 来源:Frontiers in Artificial Intelligence 6.7

编辑推荐:

  拒绝服务(Denial of Service, DoS)和分布式拒绝服务(Distributed Denial of Service, DDoS)攻击持续对当前网络基础设施构成最持久且快速演变的威胁之一,因为这些攻击日益复杂化,并不断破坏基于云的系统、软件定义

  
拒绝服务(Denial of Service, DoS)和分布式拒绝服务(Distributed Denial of Service, DDoS)攻击持续对当前网络基础设施构成最持久且快速演变的威胁之一,因为这些攻击日益复杂化,并不断破坏基于云的系统、软件定义网络(Software-Defined Networks, SDNs)、物联网(Internet of Things, IoT)生态系统及下一代通信环境的可用性、可靠性和安全性。本文对DoS和DDoS攻击检测与缓解的相关文献进行了系统性综述,涵盖了该领域从早期统计和基于异常的方法到自适应机器学习与深度学习,以及特定领域检测方法的各演化阶段。该综述基于对120篇论文(114项主要研究和6项补充研究)的全面审查,综合分析了网络与应用层检测、协议特定检测框架、基于云的入侵检测系统、SDN可编程检测、IoT/雾/边缘架构、集成与混合模型、迁移学习以及基于区块链的安全机制方面的最新进展。对基准数据集、特征工程技术和对比性能的系统评估显示,当前深度学习系统在实验环境中可达到近乎完美的分类率,但其在泛化能力、计算效率、隐私保护和可解释性方面的根本性局限仍制约着其在真实环境中的部署。重要的是,尽管研究工作量庞大,但所审查的研究中仅有不到6%(120项中的7项)明确使用了元学习、迁移学习或少样本方法,这反映了该领域在自适应泛化能力方面的持续欠缺,以及在动态云环境中应对零日攻击和域偏移方面的不足。研究人员提出,新兴的元学习范式是下一代基于云的入侵检测最有前景的方向,其能够在仅有极少标记示例的情况下适应新领域——直接克服现有方法的三大关键局限,即零日检测缺口、域偏移限制和标签稀缺。本综述为研究人员和从业人员设计可解释、保护隐私且计算高效的检测系统提供了结构化基础,并强调了基于元学习设计云入侵检测系统这一发展路径的关键必要性。
1 引言
云计算环境、软件定义网络(Software-Defined Networks, SDNs)和物联网(Internet of Things, IoT)系统的数字基础设施广泛发展,从根本上改变了现代计算范式,同时也扩大了全球组织面临的安全威胁范围。拒绝服务(Denial of Service, DoS)和分布式拒绝服务(Distributed Denial of Service, DDoS)攻击通过恶意流量饱和目标系统以耗尽计算或网络资源,其规模、复杂性和多样性在过去十年间显著演变。云环境中的多租户、虚拟化和按需资源供给等特性带来了共驻攻击、侧信道攻击和经济型拒绝可持续性攻击等独特安全挑战。传统基于签名和规则的入侵检测系统(Intrusion Detection Systems, IDS)已难以应对当代云环境中不断变化的攻击模式和动态流量特性。机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)为克服传统IDS的不足引入了变革性可能,如集成神经模糊分类器、人工神经网络(Artificial Neural Networks, ANN)、集成人工蜂群异常检测模型及长短期记忆(Long Short-Term Memory, LSTM)网络等架构在多个基准数据集上展现了优越性能。然而,现有深度学习方法仍面临数据集质量与多样性不足、静态训练框架难以适应攻击模式演变、可扩展性、异构性和隐私限制等关键约束。元学习(Meta-Learning)作为一种未充分开发但极具前景的网络安全检测范式,其快速适应和少样本学习特性尚未在云环境DoS/DDoS检测背景下得到系统研究。本研究基于120篇研究论文(2012–2026年)开展系统性综述,采用PRISMA 2020指南,旨在追溯检测方法演化趋势、评估数据集与性能指标、识别自适应与迁移学习模型中的研究缺口,并正式界定云入侵检测中的元学习研究空白。

2 综述方法
本综述遵循PRISMA 2020指南,提供结构化、透明的文献识别、筛选、评估和综合流程。研究围绕四个核心问题展开:传统ML/DL方法在云环境中的应用情况、典型数据集与评估方法、现有技术的适应性局限以及自适应学习范式的研究缺口。文献检索覆盖IEEE Xplore、ScienceDirect、SpringerLink、ACM Digital Library和Google Scholar五大数据库,采用布尔关键词组合策略,主要检索时段为2025年1月至2025年3月,并辅以元学习和少样本学习的补充检索。经过四个阶段的筛选流程,最终纳入120篇论文。论文分类采用多维分类体系,涵盖统计与异常检测、网络/应用层检测、协议特定检测、云检测、SDN检测、IoT/边缘/雾检测、集成与混合模型、自适应/迁移学习、区块链安全及综述等主题类别。

3 文献综述——DoS/DDoS检测的演化
3.1 统计与基于异常的检测方法
早期研究主要采用无监督聚类和流量分析技术,证明网络流量异常可用于检测未知攻击。后续研究发展了流处理、硬件检测、自适应熵和动态阈值方法,以应对可扩展性和实时处理需求。聚类算法、核学习和测量驱动的统计建模进一步提升了检测精度。
3.2 网络与应用层检测
针对统计方法无法检测模仿型和应用层攻击的不足,研究者转向基于智能学习模型的网络与应用层检测。早期工作使用无监督自组织映射(Self-Organizing Maps, SOM)和ART2神经网络,发现超过52%的恶意爬虫模仿合法用户行为。后续发展了基于相关性的KNN、支持向量机(Support Vector Machines, SVM)、深度学习卷积检测和集成分类等方法。
3.3 VoIP/协议特定攻击
协议特定研究聚焦于特定协议的结构性弱点。研究显示TFTP服务器可实现约60倍的DDoS放大,时间与结构特征的SIP会话指纹可将误报率降至0.24%,无监督自适应变点检测模型在VoIP环境中展现了优于通用统计检测的性能。
3.4 基于云的检测
云环境检测研究经历了从决策树分类、高斯自适应离群点检测、混合模糊聚类、马尔可夫链状态转换到超参数优化ANN、集成树模型、深度神经网络(Deep Neural Networks, DNN)和LSTM架构的演进。低速率和经济动机型攻击检测得到专门关注。近期贡献包括图神经网络、双注意力双向门控循环单元(Bidirectional Gated Recurrent Unit, BiGRU)和Transformer增强的深度学习架构。
3.5 基于SDN的检测
软件定义网络为检测提供了可编程控制平面可见性和集中式流控制。早期概率图模型在混合SDN-云环境中达到89.30%准确率。后续经济型DoS检测模型、协作边缘SDN框架、CNN和混合CNN-MLP架构在多个基准数据集上实现了96.07%至99.99%的准确率。
3.6 IoT、雾与边缘检测
IoT设备的分布式和资源受限特性带来了新的检测挑战。研究涵盖深度信念网络(Deep Belief Networks, DBN)、基于堆叠的集成模型、轻量级决策树、在线被动攻击性机器学习、LSTM和BiLSTM架构以及混合卷积-循环架构(如VGG19-2D-CNN和LSTM-GRU),覆盖雾云、5G网络切片、车载、工业物联网和智慧城市基础设施等场景。
3.7 集成与混合ML/DL检测
该研究方向通过算法融合、元启发式优化和架构混合构建检测智能。代表性工作包括神经模糊提升集成、遗传算法优化的多层感知器(MLP-GA)、混合随机森林、集成受限玻尔兹曼机、贝叶斯-粗糙逻辑、自动编码器-SVM、深度Kronecker网络、优化SVM、堆叠编码器、对抗WGAN-LSTM、Fisher核主成分分析(Kernel Principal Component Analysis, KPCA)与灰狼优化增强的BiLSTM以及CNN-Transformer混合架构。
3.8 元/自适应/迁移学习方法
该方向的核心工作是DTL-5G深度迁移学习系统,基于BiLSTM在5G网络切片场景中检测DDoS,通过大规模源域知识迁移有效解决了新兴基础设施中的标签稀缺问题。
3.9 区块链与新兴安全
区块链研究将保护范式扩展到数据完整性、去中心化信任和云基础设施的密码学安全,涵盖遗传算法驱动的选择性加密、基于Hyperledger Fabric的许可区块链以及采用椭圆曲线数字签名算法(ECDSA)和实用拜占庭容错(PBFT)共识的混合区块链电子投票系统。
3.10 综述/系统综述
现有综述涵盖了无线网络IDS、云DDoS缓解、多层安全分类、服务导向设计、混合IDS推荐和网络弹性参考框架等主题,指出了可扩展性、数据异构性和可解释性等未解决的关键问题。

4 特征工程技术
特征工程方法经历了从早期手动统计和流特征提取(如数据包计数、字节量、流持续时间和IP熵)到基于过滤器的选择(如信息增益、卡方检验、皮尔逊相关和mRMR)、包装器和元启发式特征选择(如二进制蝙蝠算法、KPCA结合离散象群优化、对立乌鸦搜索算法、蜜獾优化、棕熊优化)、主成分分析(Principal Component Analysis, PCA)降维、深度自动特征学习、基于熵和概率的特征工程以及领域特定的协议感知特征工程的演进。CICFlowMeter成为2018年后论文中默认的流特征提取工具。元启发式和深度模型的特征可解释性缺失被确定为优先研究方向。

5 评估指标
综述揭示了准确率(Accuracy)是最普遍报告的指标,但在极端类别不平衡条件下具有误导性。精确率(Precision)、召回率(Recall)和F1分数被广泛采用。误报率(False Positive Rate, FPR)在统计研究中常见,而漏报率(False Negative Rate, FNR)系统性报告不足。接受者操作特征曲线下面积(Area Under the ROC Curve, AUC-ROC)和马修斯相关系数(Matthews Correlation Coefficient, MCC)在部分深度学习和混合模型研究中使用。检测延迟和计算效率报告不一致且严重不足。指标不一致是制约跨研究可比较性和可重复评估的关键方法论缺口。

6 文献中使用的数据集
6.1 传统数据集
早期使用KDD Cup 1999、NSL-KDD、DARPA 1998/1999和MAWI等数据集,但这些数据集存在冗余记录、类别不平衡和无法表征当代网络环境等局限。
6.2 CIC和UNSW数据集家族
CIC-IDS2017、CSE-CIC-IDS2018、CIC-DDoS2019、UNSW-NB15、BoT-IoT和ToN-IoT成为实验评估的主流基准,具有更现实的流量生成方法论和现代攻击分类覆盖。NSL-KDD仍是使用频率最高的单一数据集。
6.3 专用与SDN特定数据集
CAIDA DDoS 2007提供真实DDoS攻击的高保真流量,但正常流量覆盖有限。InSDN是SDN兼容的标记基准数据集。TUIDS和自定义实验语料反映了新攻击载体和部署场景公开标记基准的缺乏。
6.4 采用模式与启示
基准采用高度集中、物联网特定数据集代表性不足、SDN和5G数据集缺乏是三个显著问题。
6.5 元学习作为自适应检测范式
元学习(学习如何学习)通过优化快速适应新任务的能力,可在极少标记示例下适应未见攻击类型或部署场景。主要算法族包括基于优化的方法(如模型不可知元学习,Model-Agnostic Meta-Learning, MAML及其一阶变体Reptile)、基于度量的方法(如原型网络、匹配网络和关系网络)以及基于模型的方法(如记忆增强神经网络)。现有研究证明MAML和原型网络在少样本DDoS检测中具有良好性能,元学习相对于持续学习、一类异常检测和自监督预训练具有独特优势。

7 现有研究的比较分析
审查语料包含120篇同行评审研究,其中73.3%采用基于AI/ML的检测方法。许多研究在基准测试中报告了接近或等于最大值的准确率,但应谨慎解读,原因包括重复使用相同数据集导致的性能膨胀、数据泄漏、发表偏倚和缺乏置信区间或统计显著性检验。跨范式的检测精度呈上升趋势,从早期统计方法的约90%真阳性率(True Positive Rate, TPR)到现代深度学习的99.99%准确率。五个模型系列(树集成、循环架构、元启发式优化分类器、混合卷积-循环架构和图/Transformer增强架构)具有不同的性能和部署特征。数据集使用显示出高度集中化模式,约34篇论文仅使用合成或自生成数据进行验证。跨研究独立验证显示SVM和随机森林等模型在多种环境下具有稳定性能。系统性评估实践缺口包括FNR报告不足、检测延迟缺失、CICFlowMeter工具依赖和指标平均策略不明确。

8 研究挑战
未解决的关键问题包括:对基准数据集的过度依赖和类别不平衡对模型偏向的影响;离线实验精度与现实部署之间的差距,且模拟评估和计算密集架构均存在问题;零日攻击检测和泛化能力不足,深度模型在未见攻击面前性能显著下降;元学习固有的局限性(包括元训练阶段的高计算成本、对任务分布质量的敏感性、灾难性遗忘风险以及缺少专门用于入侵检测的元学习基准)。隐私、可解释性和信任问题亦未得到充分解决,多租户数据可见性与检测有效性之间的权衡、黑盒深度学习模型在受监管环境中的部署障碍均构成重大挑战。综述还受限于未预先注册、无独立双重筛选以及仅纳入英文文献等方法论局限。

9 未来研究方向
最显著的研究缺口是缺乏用于快速低标签适应的元学习框架。未来研究应发展能从少量标记样本中有效学习的元学习系统。模型压缩方法(剪枝、量化和知识蒸馏)将弥合复杂架构与资源受限边缘/雾网络之间的鸿沟。联邦学习结合差分隐私和同态加密可支持联合检测而不损害机密性。将可解释人工智能(Explainable AI, XAI)机制(如SHAP、LIME和注意力可视化)集成到高精度架构中至关重要。构建代表加密流量、SDN流、5G切片和工业物联网(Industrial IoT, IIoT)模式的现实基准数据集是摆脱数据集停滞的关键。

10 结论
本综述系统追溯了DoS和DDoS攻击检测技术的发展历程,表明在受控实验条件下,最先进的深度学习架构能够以近乎完美的精度进行分类。然而,该领域最困难且悬而未决的问题是从实验精度到现实世界可部署性之间的鸿沟。元学习能够直接解决零日检测缺口、跨域泛化问题和标签稀缺性,结合联邦学习、隐私保护方法和可解释人工智能,代表了迈向真正自适应、可信赖且可部署的入侵检测系统的最关键和最有影响力的下一步。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号