繁體
  • 简体中文
  • 繁體中文

熱門資訊> 正文

中國信通院張健等:軟件定義網絡DDoS攻擊問題研究

2025-07-28 16:50

0  引言

分佈式拒絕服務(Distributed Denial of Service,DDoS)[1-2]攻擊,因其發起簡單且危害性大,成為主要的互聯網安全威脅,也是現階段典型的網絡攻擊形式。一般而言,DDoS攻擊是通過向被攻擊主機發送大量數據包,來消耗被攻擊主機的帶寬、存儲、計算等各種資源,最終迫使被攻擊主機無法正常提供服務。據互聯網安全防護公司Zayo在2024年初發布的報告[3],2023年全球DDoS攻擊總體較往年增長16%,電信、零售、醫療保健等行業以及政府有關部門等遭受到的DDoS攻擊尤其嚴重。

軟件定義網絡(Software Defined Network,SDN)[4]自問世以來,因其分離了控制層和數據層,實現了網絡集中控制,具備靈活性、開放性、可編程性等諸多優點,被業界快速接受並廣泛部署和應用於5G網絡、數據中心、智慧城市、物聯網、區塊鏈等諸多新興領域[5-6],進一步推動和促進了5G時代乃至未來一段時間內網絡架構的發展和演進。然而,從網絡安全的角度來看,伴隨着廣泛應用和大規模部署,SDN所面臨的網絡安全威脅也越來越大,尤其是集中控制的網絡管理模式更是使SDN成為DDoS攻擊等眾多網絡攻擊的主要目標[5-7]。現階段,DDoS攻擊已成為SDN所面臨的突出安全問題,如何快速檢測和防禦DDoS攻擊也已成為業界研究SDN安全問題的難點和重點所在。

本文聚焦SDN的DDoS攻擊問題,在介紹SDN分層體系架構基礎上,總結提煉了SDN中DDoS攻擊的潛在風險以及現階段存在的各種攻擊方式,論述了目前針對DDoS攻擊問題的若干應對措施和解決方案,並對目前存在的問題及下一步工作等進行了總結和展望。

1  SDN簡介

1.1  SDN分層體系架構

SDN體系架構如圖1所示,主要包括數據平面、控制平面和應用平面3個平面,南向接口、北向接口2個接口,以及OpenFlow[8]作為SDN事實上的通信協議等。其中,數據平面主要由具備轉發分組功能的交換機組成,這些交換機基於OpenFlow協議工作,一般被稱作OpenFlow交換機[9-10];控制平面主要由一個或多個控制器組成,負責控制和管理SDN整個網絡,決定整個網絡相關數據流的路由和轉發等;應用平面主要負責定義和管理多個應用程序,包括網絡虛擬化、入侵檢測系統、入侵預防系統、防火牆等。這些應用程序重新定義了數據層轉發設備的功能,使得在SDN中同一設備可以執行不同功能。此外,還有負責連接應用平面和控制平面的北向接口以及連接數據平面與控制平面的南向接口。

圖1  SDN體系架構

1.2  OpenFlow協議基本工作原理

SDN的數據平面,基於控制器發來的指令,使用OpenFlow交換機,通過一個可管理的數據流表,完成數據傳輸和轉發功能。如圖2所示,OpenFlow流表包括3個字段:規則、操作和狀態。其中,規則字段主要是定義了數據包特徵和各種匹配字段,包括交換端口、虛擬局域網(Virtual Local Area Network,VLAN)標示、媒體訪問控制(Media Access Control,MAC)地址、網際互聯協議(Internet Protocol,IP)地址、傳輸控制協議(Transmission Control Protocol,TCP)地址等,具體取決於OpenFlow協議的版本;操作字段主要是定義了針對數據包的各種操作,包括轉發或者丟棄數據包等;狀態字段主要是定義了一些計數器,用以統計相關數據流的數據包數量等。

圖2  OpenFlow流表和基本工作原理

當OpenFlow交換機接收到數據包時,交換機首先會將這些數據包與流表規則進行匹配。如果數據包匹配,則會將數據包轉發到定義的目的地;如果不匹配,則會通過南向接口向控制器發送Packet_In消息詢問其目的地地址,或丟棄該數據包。控制器在收到Packet_In消息時經過計算獲得其目的地后,會向交換機發送Packet_Out消息。交換機即可修改現有的流規則以便於下次與該目的地進行通信[11]。OpenFlow流表和基本工作原理,如圖2所示。

2  主要攻擊方式

2.1  潛在風險點

基於控制與轉發分離的集中控制網絡管理模式,在推動SDN體系架構在業界取得了廣泛認可並得到大規模部署和應用的同時,也使得SDN面臨嚴重的DDoS攻擊風險。如圖3所示,SDN在控制平面的控制器、OpenFlow交換機以及連接各個平面的南北向接口等方面,存在明顯的DDoS攻擊風險[11-14]。

圖3  DDoS攻擊主要的潛在風險點

首先是控制器。在SDN的體系架構中,位於控制平面的控制器組成SDN的控制中心,是整個SDN唯一的控制中樞。同時,控制器也成了DDoS攻擊的主要目標,使得SDN存在較大單點故障風險。一旦位於集中位置的控制器被攻擊,就會極大地影響網絡功能,甚至可能會導致整個SDN網絡發生崩潰。一般而言,當發生DDoS攻擊時,SDN的控制器會接收到大量的異常數據包,其網絡吞吐量以及計算、存儲等資源會很快被耗盡,造成正常業務數據不能及時被轉發和處理,形成事實上的網絡宕機現象。

其次是OpenFlow交換機。來自OpenFlow交換機的潛在DDoS攻擊風險,主要在於交換機緩衝區、流量表以及交換機的IP地址等方面,主要表現爲緩衝區飽和、流表溢出和交換機欺騙等。緩衝區飽和指如果控制器在短時間內接收到大量非法數據包,交換機緩衝區很快就會被這些非法數據包占滿耗盡,無法緩衝合法用戶數據。流表溢出指在OpenFlow交換機流表容量和處理能力都有限的前提下,在遭到DDoS攻擊時,流表中的所有條目很快都會被新條目替換,即內存中充滿非法流量的流規則,最終使得合法數據流量因存儲空間不足而被丟棄。交換機欺騙指攻擊者使用偽造IP地址的非法OpenFlow交換機向控制器發送大量非法數據包,並可能導致合法交換機與控制器的通信中斷等情況發生。

最后是南北向接口。SDN的南向接口和北向接口分別將控制平面與數據平面和應用平面連接起來,形成一個完整的網絡系統。然而,由於帶寬資源有限等因素,SDN的南北向接口很容易成為DDoS攻擊的目標。當數據平面存在大量非法數據包請求時,南向接口的帶寬資源就會很快被消耗完畢;非法應用程序則可以通過北向接口向控制器不斷發送大量資源請求,以此來消耗北向接口的帶寬等資源。在SDN缺乏訪問控制機制的情況下,合法用户通過南北向接口請求資源和服務均面臨較高的潛在風險。

2.2  主要攻擊方式

基於SDN的分層體系架構,SDN中的每一個平面都有各自的功能定位和資源特點,因此受到的DDoS攻擊方式也各不相同。針對數據平面的DDoS攻擊主要圍繞OpenFlow交換機,包括交換機緩衝區飽和、數據流表溢出以及交換機欺騙等;針對控制平面的攻擊則圍繞控制器,主要包括Packet_In數據包洪泛以及控制器飽和與劫持等;針對應用平面的攻擊,主要指在當前SDN沒有身份驗證和授權機制的情況下,非法應用對SDN的非法訪問;針對接口的攻擊主要是指南北向接口擁塞或帶寬資源耗盡等。SDN中各平面面臨的主要DDoS攻擊方式及其危害,如表1所示。

表1  SDN中主要的DDoS攻擊方式及其危害

2.2.1  數據平面

緩衝區飽和。當OpenFlow交換機向控制器發送Packet_In消息時,它會將數據包的某些部分發送到控制器,並將該數據包的其他部分存儲在交換機的緩衝區。因此,攻擊者首先會通過向交換機發送大量非法數據包在短時間內耗盡交換機的緩衝區;其次,交換機將非法數據包完整地發送到控制器,佔據和消耗大量控制器資源。此時,SDN網絡性能就會因緩衝區飽和而大為降低,會發生合法用户的數據流處理請求因緩衝區飽和而被丟棄等情況。

流表溢出。當OpenFlow交換機向控制器請求新的流規則時,控制器反饋的新規則將會被存儲在交換機的流表中。OpenFlow交換機流表存儲容量非常有限,同時每個流規則在流表中也都有固定的存儲時長,超時后交換機就會將舊規則從流表中刪除。在發生攻擊時,攻擊者在短時間內向交換機發送大量新的非法數據流,並將交換機的流表佔完耗盡,從而導致所有合法的流規則都會被非法流規則所替代。當發生流表溢出時,合法用户的數據流條目將無法在流表中存儲,會嚴重危及SDN網絡對授權用户的可用性。

交換機欺騙。首先,攻擊者會通過偽造IP地址,使非法OpenFlow交換機具有跟合法交換機相同的硬件名稱和IP地址;其次,攻擊者控制配置偽造IP地址的非法OpenFlow交換機與控制器建立連接並進行通信,同時強制控制器終止與合法交換機的連接和通信,最終用非法交換機替代了合法交換機,導致發生對控制器的虛假資源請求,並對合法交換機實施屏蔽和非正常斷開連接等非法操作。

2.2.2  控制平面

Packet_In數據包洪泛。當OpenFlow交換機接收到不匹配的數據包時,會通過南向接口向控制器發送Packet_In消息,為新數據流請求制定新的轉發規則。攻擊者會通過OpenFlow交換機發送大量非法數據,迫使交換機在短時間內向控制器發送大量Packet_In消息,形成Packet_In數據包洪泛效應,導致控制器因忙於處理非法數據流請求而過載。

控制器飽和。當接收到交換機發送來的Packet_In數據流時,控制器會為這些數據流建立新的流規則並反饋給交換機。當短時間內發生大量的Packet_In數據流時,會消耗乃至耗盡控制器的內存、中央處理器和緩衝區等資源,最終使得控制器資源飽和,不能再接受和處理新的數據流請求,導致SDN網絡宕機或崩潰。

控制器劫持。首先,攻擊者通過發送大量Packet_In數據包等不同方式攻擊控制器並使控制器失效;其次,將偽造的主機接入SDN中並將其偽造成控制器,取代之前的合法控制器來負責SDN的資源調度和分配,實現了對SDN合法控制器的劫持和控制,進而實現對SDN整個網絡的控制和攻擊。

2.2.3  應用平面

未授權應用程序。應用平面有許多應用程序可以通過北向接口訪問控制和請求網絡資源。由於SDN目前沒有身份驗證和授權機制,使得一些應用程序可以使用其他應用程序的授權路徑來訪問網絡資源。因此,非法應用可以通過其他應用來獲得訪問權限,並能夠修改網絡行為,造成對SDN的攻擊並致使網絡性能下降等。

應用程序級攻擊。攻擊者可以針對SDN中某一類或某一個特定應用程序,在短時間內通過北向接口向控制器發送大量資源或業務請求,從而造成基於某種應用程序的資源密集型應用層攻擊。通常,Web服務器受到此類攻擊的次數較多。

2.2.4  接口

南向接口擁塞。在緩衝區已滿的情況下,當接收到新的數據包時,OpenFlow交換機會通過南向接口向控制器轉發整個數據包。在收到大量非法的新數據包時,OpenFlow交換機會不停通過南向接口向控制器轉發數據包,從而消耗大量通信信道帶寬資源,造成南向接口通信信道堵塞,使其對合法用户不可訪問。

北向接口帶寬耗盡。非法應用程序通過北向接口向位於控制平面的控制器發送大量消息請求資源,佔據和消耗了連接控制平面和應用平面的北向接口的大量帶寬等,降低了北向接口的使用效率,對正常應用程序通過北向接口向控制器傳送信息或請求資源等形成影響,甚至會導致北向接口帶寬資源耗盡而不可用。

3  主要解決方案

近年來,隨着SDN的廣泛部署和應用,針對DDoS攻擊的檢測與防禦也成為網絡安全領域主要關注的問題,並進一步提出了諸多DDoS攻擊檢測機制和影響減輕方案。相對於傳統網絡,在SDN中關於DDoS攻擊的檢測方法,目前主要是基於統計分析和機器學習等理論和方法,通過對SDN中的異常流量進行監測,來判斷、檢測和減緩DDoS攻擊[14-19]。

3.1  基於統計分析的DDoS檢測方案

熵在統計學中被用來衡量隨機變量的不確定性。當一個變量的熵越大,表示其取值越不確定,即信息量越大。基於統計分析理論檢測DDoS攻擊,是利用熵理論工作原理,將SDN中的OpenFlow數據流作為隨機變量,基於OpenFlow數據流特徵計算分析其一定時間段內的熵值變化,並與設定的熵閾值進行比較,檢測數據流熵值的異常偏差,以確定是否有異常流量以及是否已發生DDoS攻擊。

通常而言,用於開展DDoS攻擊檢測的統計分析理論,主要包括信息熵、相對熵、雷尼熵、條件熵等具體理論和方法。業界基於上述各種理論和方法,就SDN中DDoS攻擊的檢測,也提出了若干種不同的研究方案和解決措施,如Mishra等[20]提出了基於信息熵的防禦機制,通過計算和比較DDoS攻擊流量與正常數據流量之間的熵值變化,來識別和緩解DDoS攻擊行為;趙普等[21]提出了基於雷尼熵的SDN自主防護系統,通過計算和檢測特徵熵值實現DDoS攻擊等異常網絡行為檢測和識別;傅友等[22]利用條件熵判斷SDN網絡狀態,使用決策樹(Decision Tree,DT)相關算法對網絡流量進行分類,實現對DDoS攻擊的有效檢測。

3.2  基於機器學習的DDoS檢測方案

機器學習是一種訓練數據和算法模型使機器具有人工智能的方法。根據學習方法的不同,機器學習可以分為有監督學習和無監督學習兩種模式[14,19]。有監督學習是指使用有標籤的訓練數據來預測新的未標記樣本的類別。常見的有監督學習算法,包括支持向量機(Support Vector Machine,SVM)、DT、K最鄰近(K-Nearest Neighbor,KNN)算法、隱馬爾可夫(Hidden Markov Model,HMM)等。無監督學習則指直接從未標記的數據中發現新的模式和結構。常見的無監督機器學習算法包括K均值(K-means)、高斯混合模型(Gaussian Mixture Model,GMM)、自我組織映射網絡(Self-Organized Mapping,SOM)等。業界基於機器學習理論提出了諸多改進和提升DDoS攻擊的檢測方法,如Revathi等[23]使用了一種新的離散可擴展存儲SVM算法,通過語義多線性分量分析算法對數據流進行特徵提取並分類,提供了較高精度的DDoS攻擊檢測方案;Zhu等[24]結合幾何變換和數據加密方法,基於改進的KNN算法,提出了一種跨域的DDoS攻擊檢測方案,實現了較爲準確和高效的攻擊檢測;Xu等[25]提出一種將DDoS攻擊檢測過程分為受害者檢測和攻擊檢測兩個階段的DDoS攻擊檢測方案,在完成受害者識別后,通過SOM技術將網絡流量分類即可檢測出DDoS攻擊。

3.3  基於深度學習的DDoS檢測方案

深度學習是機器學習的一個研究方向,由於近年來數據、算法、算力的快速發展,已單獨形成一個研究分支。深度學習具有自學習、自組織等優點,在用於DDoS攻擊檢測識別時,不僅可以識別已有攻擊模式,還可以識別未知的攻擊模式,有效提高了DDoS攻擊檢測識別的智能性。常用於DDoS攻擊檢測與識別的深度學習算法,主要包括卷積神經網絡(Convolutional Neural Network,CNN)、遞歸神經網絡(Recursive Neural Network,RNN)、生成對抗性網絡(Generative Adversarial Network,GAN)、長短期記憶網絡(Long Short Term Memory,LSTM)等。業界基於深度學習有關理論和算法,提出了諸多關於檢測並有效降低DDoS攻擊的方法,如Itagi等[26]提出一種DDoS攻擊檢測方法,基於雙向RNN,實時對SDN中的數據流進行評估、檢測和分類等,以確定網絡中是否存在DDoS攻擊;Wang等[27]提出一種基於深度學習的通用DDoS攻擊方案,利用GAN生成真實網絡流量對有關DDoS攻擊方案進行有效驗證;白堅鏡等[28]採用分治算法思想,基於LSTM方法提出一種可部署在網絡邊緣的DDoS檢測方法,可降低DDoS攻擊帶來的影響,減輕SDN控制器資源調度壓力等。

由於不需要建立複雜的計算模型,基於統計分析的DDoS攻擊檢測方法,一般實時性較高,計算複雜度較低,可以快速檢測區分正常流量和異常流量,比較適用於大規模、大範圍的DDoS攻擊初步檢測。目前,機器學習技術在SDN環境下檢測DDoS攻擊取得了較大進展,可以通過特徵提取等手段對數據流進行合理分類,有效提高了DDoS攻擊檢測的準確性。深度學習技術是當前入侵檢測研究的熱點,具有多層結構和分層特徵學習能力,可以快速捕捉到數據流中的複雜模式。在檢測DDoS攻擊和處理大規模網絡流量數據時,使用基於深度學習技術的方法可以實現更好的檢測精度。

4  主要問題

由於SDN本身所具有的集中控制架構、OpenFlow交換機性能的提升等多方面因素影響,針對SDN所面臨DDoS攻擊的檢測和防禦,目前仍存在一些問題,如控制器的安全、檢測方案部署位置的選擇、南北向接口的標準化等,需要做進一步的深入思考和改進提升。

控制器的安全問題。作為SDN的控制中樞,位於控制平面的控制器負責調度和管理SDN全網的計算、存儲和帶寬等資源,其安全性和可靠性將會影響到SDN運轉性能乃至全網安全[14]。然而,在集中控制方式下,作為單點存在的控制器也就不可避免地成為以DDoS攻擊為代表的各種網絡攻擊的主要目標。控制器的安全問題,始終是決定SDN整體安全性能的重要核心問題。

OpenFlow交換機性能。對於DDoS攻擊防禦和檢測而言,OpenFlow交換機可以看作是SDN安全性能提升的重要瓶頸和短板。基於OpenFlow交換機的流表溢出、緩衝區飽和、交換機欺騙等成為SDN遭受DDoS攻擊的重要形式。如何提升和優化OpenFlow交換機的流表容量、緩衝區尺寸等關鍵參數,提升OpenFlow交換機的抗攻擊能力,是目前SDN研究領域面臨的重要挑戰。

DDoS攻擊檢測方案部署位置。目前,絕大多數用於檢測DDoS攻擊的解決方案都是部署在SDN的控制器[13]。這種部署方式,一方面會因為DDoS攻擊檢測消耗控制器的計算和存儲資源,進一步加重SDN中控制器的工作負載;另一方面,由於數據平面和應用平面需要頻繁向控制器發送檢測的非法和惡意流量,也會佔用SDN南北向接口的通信帶寬資源,造成各平面間通信不暢或中斷。

DDoS攻擊彈性或容錯系統。在發生DDoS攻擊時,一般攻擊源頭較多,因此,即使能夠及時檢測到有攻擊發生,大多數DDoS攻擊緩解技術也很難在短時間內完全消除所有攻擊並將網絡性能恢復到正常水平。在實際工作中,可以借鑑傳統網絡應對DDoS攻擊的解決方案,即設計一種DDoS攻擊彈性[13]或容錯系統[6],使得能夠在檢測並緩解DDoS攻擊的同時,也能在一定程度上保證SDN網絡的正常運轉。

雙向認證和南北向接口標準化。由於SDN各平面之間的通信無加密和認證措施[6],使得SDN控制器在通過南北向接口與數據和應用平面通信時缺乏信任,很容易就成為DDoS等網絡攻擊的目標。通過在各平面之間實行雙向認證、推進接口標準化等措施,有效建立起SDN各平面之間的信任管理和安全識別,快速檢測到對控制器等關鍵模塊的未經授權訪問,有效控制應用平面上非法程序的運行等。

5  結束語

SDN自問世以來就因為其所具備的集中控制、可編程性等諸多體系架構方面的優點,成為業界關注的熱點。近年來,隨着5G等技術的快速發展,SDN作為其中的網絡技術也得到了進一步的廣泛應用和大規模部署。同時,SDN自身也飽受網絡攻擊問題困擾,尤其是由於集中控制等體系架構方面的因素而帶來的單點風險問題,使SDN成為DDoS攻擊的主要目標。

目前,業界已經提出了諸多關於SDN中DDoS攻擊問題的應對措施和解決方案。下一步,一方面基於統計分析和人工智能相關理論和方法,進一步優化和提煉相關算法和機制,積極將人工智能等有關新算法新機制應用於DDoS攻擊問題的檢測和減緩,對已提出有關解決方案進行升級改造,或提出新的解決方案等,有效解決和應對DDoS攻擊問題。另一方面,可以從SDN體系架構着手,針對現階段有關應用和網絡安全的實際需求和發展形勢等,有針對性地對SDN的體系架構進行升級和優化,補充和完善相關協議和機制等,使之能夠更適應實際的應用需求和安全需求等。

作者簡介

 張健

中國信息通信研究院安全研究所高級工程師,博士,主要從事信息通信技術、政策、標準等方面的研究工作。

朱丹

通信作者。中國信息通信研究院無線電研究中心工程師,主要從事5G技術與發展、智慧農業政策與規劃、數字經濟發展與規劃等方面的研究工作。

論文引用格式:

張健, 朱丹. 軟件定義網絡DDoS攻擊問題研究[J]. 信息通信技術與政策, 2025, 51(1): 56-63.

本文刊於《信息通信技術與政策》2025年 第1期

主辦:中國信息通信研究院

《信息通信技術與政策》是工業和信息化部主管、中國信息通信研究院主辦的專業學術期刊。本刊定位於「 信息通信技術前沿的風向標,信息社會政策探究的思想庫 」,聚焦信息通信領域技術趨勢、公共政策、 國家/產業/企業戰略,發佈前沿研究成果、焦點問題分析、熱點政策解讀等,推動5G、工業互聯網、數字經濟、人工智能、大數據、雲計算等技術產業的創新與發展,引導國家技術戰略選擇與產業政策制定,搭建產、學、研、用的高端學術交流平臺。

期刊榮譽與收錄情況

AMI(2022版)A刊擴展期刊

RCCSE中國核心學術期刊

入選中國科協信息通信領域高質量科技期刊分級目錄

為進一步提高期刊信息化建設水平,為廣大學者提供更優質的服務,我刊官方網站(http://ictp.caict.ac.cn)已正式投入運行,歡迎投稿!

校  審 | 謹言、珊  珊

編  輯 | 凌  霄

風險及免責提示:以上內容僅代表作者的個人立場和觀點,不代表華盛的任何立場,華盛亦無法證實上述內容的真實性、準確性和原創性。投資者在做出任何投資決定前,應結合自身情況,考慮投資產品的風險。必要時,請諮詢專業投資顧問的意見。華盛不提供任何投資建議,對此亦不做任何承諾和保證。