تشخیص حملات انکار سرویس با روش یادگیری جمعی

در سال‌های اخیر، فضای مجازی مملو از حملات اینترنتی ازجمله حملات انکار سرویس، فیشینگ اطلاعات، کلاهبرداری مالی، ارسال هرزنامه ایمیل و غیره شده است. از رایج ترین حملات اینترنتی که سبب زیان های اقتصادی قابل‌توجهی به زیرساخت مالی کشورهای مختلف شده است، حملات انکار سرویس است. به‌عنوان یک اقدام پیشگیرانه، سامانه‌های تشخیص نفوذ مجهز به الگوریتم های طبقه بندی یادگیری ماشین برای تشخیص ناهنجاری ها در ترافیک شبکه توسعه داده شده است. این الگوریتم های طبقه بندی در ارتباط با نوع حمله انکار سرویس، میزان موفقیت متفاوتی در شناسایی این حملات داشته و به کاربران اجازه می دهند تا به طور موثر بین ترافیک عادی و ترافیک مخرب انکار سرویس بادقت خوبی تمایز قائل شوند. در روش پیشنهادی، سه مرحله برای شناسایی و طبقه بندی متداول ترین حملات انکار سرویس به‌کارگرفته‌شده است. در مرحله اول، پیش‌پردازش داده های مجموعه داده واقعی snmp-mib برای حذف داده های ناقص و مقیاس‌بندی داده ها انجام می شود. در مرحله دوم با کاهش تعداد متغیرهای مجموعه داده، صرفاً از متغیرهای گروه واسط مجموعه داده استفاده‌شده که منجر به کاهش زمان تشخیص حملات می شود و در مرحله آخر روش یادگیری جمعی نظارتی رای‌گیری برای تفکیک ترافیک عادی از ترافیک حمله به کار گرفته می شود. نتایج نشان می دهد که می توان ترافیک عادی و 5 حمله انکار سرویس از مجموعه داده استفاده‌شده را با نرخ دقت 100 درصدی تشخیص داد و تنها دقت تشخیص دو حمله udp flood و slowloris به ترتیب با 99.87 و 99.94 درصد، با استفاده از روش پیشنهادی دارای خطای بسیار ناچیزی بوده است.

detection of denial of service attacks by ensemble learning method

in recent years, cyberspace has been filled with cyber-attacks such as denial of service (dos) attacks, information phishing, financial fraud, spam and so on. one of the most common cyber-attacks that have caused significant economic damage to the financial infrastructure of different countries is denial of service attacks. as a preventive measure, intrusion detection systems equipped with machine learning classification algorithms have been developed to detect anomalies in network traffic. these classification algorithms, depending on the type of dos attack, have varying degree of success in detecting these attacks and allow users to effectively identify between normal traffic and malicious dos traffic. in the proposed approach, three steps are used to identify and classify the most common denial of service attacks. the first step is to pre-process the actual snmp-mib dataset to scale the data and delete the defective data. in the second stage, by reducing the number of data set features, only the features of the interface group are used, which leads to a reduction in attack detection time. the results show that using the proposed approach, normal traffic and five dos attacks can be detected from the snmp-mib dataset with 100% accuracy rate. only the detection accuracy of two attacks, udp flood and slowloris, with 99.87 and 99.94% respectively, had a very small error of detection rate.