تشخیص بات‌نت برای شبکه‌های نظیربه نظیر

عزمی, رضا; قلی نژاد, مریم; صابری, محسن

تعداد نشریات	36
تعداد شماره‌ها	1,199
تعداد مقالات	8,664
تعداد مشاهده مقاله	7,167,885
تعداد دریافت فایل اصل مقاله	4,178,365

	تشخیص بات‌نت برای شبکه‌های نظیربه نظیر
پدافند الکترونیکی و سایبری
مقاله 4، دوره 3، شماره 4، اسفند 1394، صفحه 43-60 اصل مقاله (1.52 M)
نویسندگان
رضا عزمی¹؛ مریم قلی نژاد^* ²؛ محسن صابری³
¹استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه الزهرا (س)، تهران، ایران
²دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه الزهرا (س)، تهران، ایران
³مربی، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بزرگمهر قائنات، قائنات، ایران
تاریخ دریافت: 16 تیر 1394، تاریخ بازنگری: 31 خرداد 1402، تاریخ پذیرش: 28 شهریور 1397
چکیده
بات‌نت‌ها از جمله جدیدترین نوع بدافزارها در مقیاس اینترنت می‌باشند که در سال‏های اخیر بیش‌ترین تهدیدات را متوجه سامانه‏های اینترنتی نموده‏اند. بات، رایانه‌ای آلوده‏شده به یک بدافزار است که بدون آگاهی و اراده‏ کاربر و از راه دور توسط یک یا چند عامل انسانی کنترل می‌شود. به این عامل کنترل‏کننده، سرکرده یا مدیربات گویند و گاهی سیستم آلوده را قربانی نیز می‌نامند. بات‌نت نظیربه‌نظیر یکی از انواع بات‌نت است که از پروتکل‌های نظیربه‌نظیر برای کنترل بات‌های خود استفاده می‌کند و شناسایی این نوع از بات‌نت نسبت به انواع دیگر مشکل‌تر است. رویکرد پیشنهادی ما یک راه‌‌حل برای شناسایی چنین بات‌نت‌هایی است. این رویکرد با استفاده از تحلیل جریان شبکه و روش‌های خوشه‌بندی در داده‌کاوی، بات‌نت‌های نظیربه‌نظیر را شناسایی می‌کند. رویکرد ارائه‌شده، مبتنی بر جریان بوده و با مقایسه شباهت بین جریان‌ها و خوشه‌بندی جریان‌های مقایسه‌شده با استفاده از الگوریتم K-Means و در نهایت مقایسه خوشه‌های ترافیک جدید با خوشه‌های قبلی، می‌تواند وجود یا عدم وجود حمله را تشخیص دهد. به ‌این ‌ترتیب که ابتدا یک ترافیک از جنس حمله و یک ترافیک معمولی خوشه‌بندی می‌شود، سپس ترافیک جدید که نوع آن مشخص نیست خوشه‌بندی می‌شود. درنهایت خوشه-بندی‌ ترافیک جدید با دو ترافیک قبلی مقایسه شده و مشخص می‌شود که ترافیک جدید از چه نوعی است. رویکرد ارائه‌شده برای تشخیص بات‌نت از ترافیک ازدحام ناگهانی، عملکرد خوبی را از خود نشان می‌دهد و این خصوصیت، وجه تمایز الگوریتم پیشنهادی، نسبت به الگوریتم‌های مشابه آن است. درنهایت عملکرد رویکرد ارائه‌شده، با ترافیک‌های مختلف موردبررسی قرارگرفته می‌شود.
کلیدواژه‌ها
بات‌نت؛ شناسایی بات‌نت؛ بات؛ بات‌نت نظیربه‌نظیر؛ تحلیل جریان شبکه
عنوان مقاله [English]
Botnet Detection for Peer to Peer Networks
نویسندگان [English]
Reza Azmi¹؛ Maryam Qoli Nejad²؛ Mohsen Saberi³
¹Assistant Professor, Department of Computer Engineering, Faculty of Technology and Engineering, Al-Zahra University (S), Tehran, Iran
²Master's student, Department of Computer Engineering, Faculty of Technology and Engineering, Al-Zahra University (S), Tehran, Iran
³Instructor, Department of Computer Engineering, Technical and Engineering Faculty, Bozormehr Qaenat University, Qaenat, Iran
چکیده [English]
Botnets are the latest types of internet-scale malware in recent years that has been the greatest threats to the web servers. Bot is an infected computer by a malware that are controlled remotely by one or more human factors without the user’s knowledge. This controller agent called “bot master” and sometimes the infected system is called “victim”. Peer to peer botnet is one type of botnets that use peer to peer protocols and detection of this type of botnet is more difficult than other types. Our suggested approach is a new method to detect such botnets. This approach uses network flow analysis and clustering method in data mining to detect peer to peer botnets. This approach is flow-based and compares the similarity between flows and K-Means clustering algorithm and eventually determines that the new traffic is an attack or not. This approach has good performance in detection of botnets in flash crowd traffic and this characteristic is distinction of the suggested algorithm and similar algorithms. Finally, the suggested approach has been tested with different traffic.
کلیدواژه‌ها [English]
Botnet, Botnet Detection, Bot, Peer to Peer Botnet, Network Flow Analysis

مراجع
[1] A. Cole, M. Michael, and D. Noyes, “Botnets: The rise of the machines,” In Proceedings on the 6th Annual Security Conference, 2007. [2] B. Assadhan, M. José, and D. Lapsley, “Periodic Behavior in Botnet Command and Control Channels Traffic,” IEEE, 2009. [3] H. Choi, H. Lee, and H. Kim, “BotGAD: detecting botnets by capturing group activities in network traffic,” In Proceedings of the Fourth International ICST Conference on communication System software and middleware, 2009. [4] A. Karasaridis, B. Rexroad, and D. Hoeflin, “Wide-scale botnet detection and characterization,” Proceedings of the first conference on First Workshop on Hot Topics in Understanding Botnets, vol. 7, 2007. [5] J. Govil and J. Govil, “Criminology of botnets and their detection and defense methods,” Electro/Information Technology, 2007 IEEE International Conference, 2007. [6] S. S. Silva, R. M. Silva, and R. C. Pinto, “Botnets: A survey,” Computer Networks, vol. 57, no. 2, pp. 372-403, 2013. [7] H. R. Zeidanloo, M. Safar, M. Zamani, P. Vahdani Amoli, and M. J. Z. Shooshtari, “A taxonomy of botnet detection techniques,” Computer Science and Information Technology (ICCSIT), 3rd IEEE International Conference on, vol. 2, 2010. [8] K.-S. Han and G. I. Eul, “A survey on p2p botnet detection,” Proceedings of the International Conference on IT Convergence and Security , Springer Netherlands, pp. 589-593, 2012. [9] A. H. Lashkari and S. G. Ghalebandi, “A Wide Survey on Botnet,” Digital Information and Communication Technology and Its Applications , Springer Berlin Heidelberg, pp. 445-454, 2011. [10] J. Leonard, S. Xu, and R. Sandhu, “A framework for understanding botnets,” In Availability, Reliability and Security, 2009 ARES'09, International Conference on, 2009. [11] S. Garg, A. K. Sarje, and S. K. Pedd, “Improved Detection of P2P Botnets through Network Behavior Analysis,” Recent Trends in Computer Networks and Distributed Systems Security ,Springer Berlin Heidelberg, pp. 334-345, 2014. [12] J. Han, K. Micheline, and P. Jian, “Data mining,” southeast asia edition: Concepts and techniques, Morgan kaufmann, 2006. [13] L. Xinying and W. Peizhi, “Data Mining Technology and its Application in Electronic Commerce,” In Wireless Communications, Networking and Mobile Computing, 2008 WiCOM'08, 4th International Conference on, 2008. [14] J. R. Binkley and S. Singh, “An algorithm for anomaly-based botnet detection,” Proceedings of USENIX Steps to Reducing Unwanted Traffic on the Internet Workshop (SRUTI), pp. 43-48, 2006. [15] H. Husna, S. Phithakkitnukoon, and S. Pa , “Behavior analysis of spam botnets,” Communication Systems Software and Middleware and Workshops, 2008 COMSWARE, 3rd International Conference on, 2008. [16] N. Pratik, S. Ray, C. Hota, and V. Venkatakrishnan , “Peershark: detecting peer-to-peer botnets by tracking conversations,” In Security and Privacy Workshops (SPW), 2014 IEEE, 2014. [17] D. Zhao, I. Traore, B. Sayed, W. Lu, S. Saad, A. Ghorbani, and D. Garant, “Botnet detection based on traffic behavior analysis and flow intervals ”, Computers & Security, vol. 39, pp. 2-16, 2013. [18] S. Sherif, I. Traore, A. Ghorbani, S. Bassam, D. Zhao, W. Lu, J. Felix, and P. Hakimian, “Detecting P2P botnets through network behavior analysis and machine learning,” In Privacy, Security and Trust (PST), 2011 Ninth Annual International Conference on, 2011. [19] W. Tarng, L.-Z. Den, K.-L. Ou, and M. Chen, “The analysis and identification of P2P botnet’s traffic flows,” International Journal of Communication Networks and Information Security (IJCNIS), vol. 2, no. 3, 2011. [20] F. Chen, M. Wang, Y. Fu, and J. Zeng, “New detection of peer-to-peer controlled bots on the host,” Wireless Communications, Networking and Mobile Computing WiCom'09, 5th International Conference, Beijing, 2009. [21] M. Stevanovic and J. M. Pedersen, “An efficient flow-based botnet detection using supervised machine learning,” In Computing, Networking and Communications (ICNC), 2014 International Conference on, 2014. [22] S. Yu, W. Zhou, W. Jia, S. Guo, Y. Xiang, and F. Tang, “Discriminating DDoS attacks from flash crowds using flow correlation coefficient,” Parallel and Distributed Systems, IEEE Transactions, vol. 23, no. 6, 2012. [23] F. Kovács, C. Legány, and A. Babos, “Cluster validity measurement techniques,” 6th International symposium of hungarian researchers on computational intelligence, 2005.
آمار تعداد مشاهده مقاله: 399 تعداد دریافت فایل اصل مقاله: 215

آمار

تشخیص بات‌نت برای شبکه‌های نظیربه نظیر