АНАЛИЗ И РАЗРАБОТКА МОДЕЛЕЙ И МЕТОДОВ ОБРАБОТКИ ДАННЫХ ПО ВЫЯВЛЕНИЮ ТИПОВ DDOS-АТАК
DOI:
https://doi.org/10.52167/1609-1817-2022-121-2-445-457Ключевые слова:
DDoS атаки, машинное обучение, распознавание атак, классификация, набор данныхАннотация
Атака распределенного отказа в обслуживании (DDoS) — это угроза для обеспечения безопасности, целью которой является истощение целевых систем вредоносным трафиком. Несмотря на то, что для идентификации DDoS-атак было разработано множество поддающихся измерению стратегий, планирование постоянного локатора с низкими вычислительными затратами по-прежнему остается одной из основных проблем. С другой стороны, оценка новых расчетов и стратегий распознавания сильно зависит от наличия очень структурированных наборов данных. В этой задаче, во-первых, мы тщательно изучаем текущие наборы данных и предлагаем другую научную классификацию DDoS-атак. Кроме того, мы используем набор данных CICDDoS 2019, предоставленный Канадской организацией по кибербезопасности, который устраняет все текущие недостатки в самой последней версии. Наконец, мы даем наиболее важные возможности для распознавания различных видов DDoS-атак с их сравнением нагрузок.
Библиографические ссылки
[1] R. C. Aygun and A. G. Yavuz, “Network Anomaly Detection with Stochastically Improved Autoencoder Based Models,” 2017.
[2] M. Z. Alom, V. Bontupalli, and T. M. Taha, “Intrusion detection using deep belief networks,” 2016.
[3] S. Potluri and C. Diedrich, “Accelerated deep neural networks for enhanced Intrusion Detection System,” 2016.
[4] R. Vinayakumar, M. Alazab, K. P. Soman, P. Poornachandran, A. Al-Nemrat, and S. Venkatraman, “Deep Learning Approach for Intelligent Intrusion Detection System,” 2019.
[5] I. Sharafaldin, A. H. Lashkari, S. Hakak, and A. A. Ghorbani, “Developing realistic distributed denial of service (ddos) attack dataset and taxonomy,” in 2019 International Carnahan Conference on Security Technology (ICCST), pp. 1–8, 2019.
[6] M. Al-Qatf, Y. Lasheng, M. Al-Habib, and K. Al-Sabahi, “Deep Learning Approach Combining Sparse Autoencoder with SVM for Network Intrusion Detection,” 2018.
[7] B. Subba, S. Biswas, and S. Karmakar, “A Neural Network based system for Intrusion Detection and attack classification,” 2016.
[8] S. Thaseen and C. A. Kumar, “An analysis of supervised tree based classifiers for intrusion detection system,” 2013.
[9] B. Ingre and A. Yadav, “Performance analysis of NSL-KDD dataset using ANN,” 2015.
[10] N. Hoque, D. K. Bhattacharyya, and J. K. Kalita, “A novel measure for low-rate and high-rate ddos attack detection using multivariate data analysis,” in 2016 8th International Conference on Communication Systems and Networks (COMSNETS), pp. 1–2, 2016.
[11] S. Yadav and S. Selvakumar, “Detection of application layer ddos attack by modeling user behavior using logistic regression,” in 2015 4th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (Trends and Future Directions), pp. 1–6, 2015.
[12] X. Zou, Y. Hu, Z. Tian, and K. Shen, “Logistic regression model optimization and case analysis,” in 2019 IEEE 7th International Conference on Computer Science and Network Technology (ICCSNT), pp. 135–139, 2019.
[13] S. K. Ajagekar and V. Jadhav, “Automated approach for ddos attacks detection based on naive bayes multinomial classifier,” in 2018 2nd International Conference on Trends in Electronics and Informatics (ICOEI), pp. 1–5, 2018.
[14] C. Wang, J. Zheng, and X. Li, “Research on ddos attacks detection based on rdf-svm,” in 2017 10th International Conference on Intelligent Computation Technology and Automation (ICICTA), pp. 161–165, 2017.
[15] H. A. Alamri and V. Thayananthan, “Bandwidth control mechanism and extreme gradient boosting algorithm for protecting software-defined networks against ddos attacks,” IEEE Access, vol. 8, pp. 194269–194288, 2020.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Олимжон Баймуратов, Нурмұхаммед Абеуов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
