随着云计算技术的快速发展和应用,许多企业逐渐将业务和数据部署到云平台上,云计算数据中心支撑的在线业务、数据信息量均高速增长,因而越来越多的DDoS攻击源迁移至云中,在大量消耗云计算资源的同时,也影响了云服务的可用性,给云计算环境带来严重的安全挑战。与传统网络相比,一方面云服务的开放性使其更容易被攻击者利用发起诸如EDo S等DDoS攻击,同时云环境下IT资源集中化使得DDoS攻击规模更大且能造成更严重的危害;另一方面,云服务模式下用户对通信数据的隐私保护需求提高,这使得HTTPS等加密流量占总流量比例接近70%,当针对特定端口、协议和服务的DDoS攻击通过加密流量发起,其更具隐蔽性,更难检测防范。因此,如何在云环境下有效防御带有加密流量的DDoS攻击成为云计算发展和应用的重要问题之一。目前已有研究提出流量解密清洗、基于机器学习DDoS检测和DDoS攻击拦截响应方法等方案去防御DDoS攻击,然而仍存在解密清洗可能会泄露非攻击流量的敏感信息、检测效率有待提高和响应规则不能实时更新等重要问题。针对上述问题,本文通过分析云环境的特点和DDoS攻击特征,提出一种融合信任与学习的云环境DDoS攻击防御框架(DDoSDCloud),并重点研究了其中基于信任评估的加密流量过滤、基于机器学习的DDoS流量检测和基于流表实时更新的DDoS响应关键技术。主要研究结果如下:1.提出了一种基于信任评估的加密流量过滤方法。该方法首先基于s Flow协议实现对加密流量和非加密协议流量的采集;其次,引入信任思想,结合云服务自身的安全认证,给出了基于签名和环境因素的信任评估机制;之后,基于信任评估机制给出加密流量过滤算法,过滤掉合法租户的显然非攻击流量,进而在无需对加密流量解密的前提下保障合法租户流量中包含的敏感信息。最后,对提出方法进行实验评估,结果表明其不仅可有效支撑后续的攻击检测,同时通过提升DDoSDCloud服务器的CPU利用率,减少了DDoS攻击防御带来的资源开销。2.提出了一种基于KNN的DDoS攻击发现方法。该方法首先针对加密流量和非加密流量,改进特征提取方法,在流包数中位值、流字节数中位值、对流比三种常见特征上增加对端口特征和源IP增速特征的检测;其次,引入BALLTREE数据结构改进KNN算法实现对流量进行分类;最后,基于NDL-KDD等经典数据集在Openstack平台下进行实验检测,结果表明该方法具有98.3%的准确率和0.53%的误报率。均优于传统的KNN和支持向量机方法。3.提出了一种基于流表实时更新的DDoS攻击响应方法。该方法首先实时接收上述DDoS攻击发现方法的检测结果,收集分类后的异常流量;其次对异常流量流表特征进行分析,处理源地址端口等信息,生成异常访问流量拦截规则列表,并向列表添加DDoS攻击响应规则;当接收到新的流量请求时,DDoS攻击响应方法将随时使用最新的攻击响应规则对请求发起响应,拦截已标记的异常流量。最后,通过实验验证提出方法的可行性和有效性。4.实现DDoSDCloud原型。首先,基于Open Stack平台及上述研究结果,给出DDoSDCloud原型的设计思想、体系结构和执行流程。其次,在Open Stack云平台下部署了DDoSDCloud原型。最后,实验测试了DDoSDCloud的性能,结果表明DDoSDCloud产生的额外开销不会影响云服务的正常运行。