以太坊P2P网络隔离攻击检测技术研究

【摘要】 近年来，区块链技术在互联网金融、数字征信等领域得到广泛应用。 2019年，政府也在国家战略层面提出将区块链作为核心技术，但区块链技术也面临诸多挑战。 安全的问题。 隔离攻击是一种网络阻塞攻击技术。 攻击者通过控制以太坊节点的所有传入连接来拦截受害者的消息。 发起隔离攻击的攻击者利用以太坊客户端重启后所有连接断开、相邻节点表为空的特点，恶意向受害节点发送大量连接请求。 另一方面，占据受害者的邻接节点表Table，使恶意节点有更高的概率被选中建立连接，从而使受害者与正常的以太坊网络完全隔离。 尽管最新版本的以太坊客户端Go-Ethereum提出了一个补丁来降低节点被隔离攻击的风险，但截至2019年，仍有2%-10%的活跃节点使用对隔离攻击构成安全威胁的客户端。 但是目前还没有有效的检测系统可以提示用户节点当前是否受到隔离攻击。 针对上述问题，我们分析了现有的隔离攻击方法，提出了一种状态转换隔离攻击模型以太坊书籍，模块化地展示了受害节点在隔离攻击状态下的流量变化。 以太坊节点流量采集分析模块旨在有针对性地采集以太坊节点的UDP流量，并转化为可视化的txt文件。 从用户端设计了一种基于流分类的以太网隔离攻击检测模型，用于对节点采集到的UDP数据包进行分类处理，判断节点是否处于隔离攻击状态。 具体来说，通过对正常和攻击数据包的采集分析，发现可以利用攻击数据包中packets_size、access_frequency和access_time的特征来区分不同的流量状态。 针对这些数据，随机森林、KNN和逻辑回归等机器学习算法训练出了以太坊隔离攻击流量分类模型，可以有效检测隔离攻击流量。 我们的实验可以有效地检测恶意流量。 通过设计和优化定制化的流量采集手段，即以太坊网络节点数据抓取插件ET H_CAT和以太坊pcap数据包分析程序ETHED以太坊书籍，提取孤立攻击流量特征，分析孤立攻击流量变化情况分析状态转换。 特征。 实验结果表明，不同的机器学习模型对孤立攻击流量具有更高的分类和检测能力，随机森林算法在孤立攻击检测中具有更高的检测性能。 本文的工作是一种以太坊隔离攻击的用户端检测方法，可以有效帮助用户防范以太坊隔离攻击。