آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,175 |
| تعداد مقالات | 8,477 |
| تعداد مشاهده مقاله | 6,461,900 |
| تعداد دریافت فایل اصل مقاله | 3,701,915 |
سیستم تشخیص حملات DDOS با استفاده از روش دسته‌بندی گروهی و رویکرد یادگیری فعّال | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 10، دوره 11، شماره 3 - شماره پیاپی 43، آبان 1402، صفحه 101-118 اصل مقاله (1.08 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مسعود خرّم* 1؛ محمد رحمانی‌منش2 | ||
| 1گروه آموزشی مهندسی کامپیوتر و فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، شهر سمنان، ایران | ||
| 2گروه آموزشی مهندسی کامپیوتر و فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، شهر سمنان،ایران | ||
| تاریخ دریافت: 16 فروردین 1402، تاریخ بازنگری: 26 تیر 1402، تاریخ پذیرش: 31 تیر 1402 | ||
| چکیده | ||
| حمله منع سرویس توزیع شده (DDoS) ارسال گسترده‌ای از بسته‌های معتبر یا نامعتبر به یک سرویس‌دهنده[1] در اینترنت است که از این طریق پهنای باند آن را اشغال کرده و مانع از اجرای درخواست‌های قانونی سایر کاربران می‌شود. بهترین رویکرد برای امن‌سازی شبکه از چنین حملاتی، داشتن کنترل‌های امنیتی از قبیل سامانه‌های تشخیص و پیشگیری از نفوذ و شناسایی حملات با دقت بالا است. محققان امنیت سایبری به طور قابل توجهی بر روی شناسایی و مقابله با این حمله تمرکز کرده و با ارائه راهکارهای مختلف هوش مصنوعی، دقت و عملکرد سامانه‌های امنیتی را افزایش داده‌اند. هدف از این مقاله ارائه راهکاری برای تشخیص حمله DDoS است. در روش پیشنهادی از الگوریتم‌های درخت تصمیم، پرسپترون چندلایه و جنگل تصادفی به روش گروهی برای افزایش اطمینان از عدم ایجاد مشکل برازش بیش‌ازحد استفاده شده است. همچنین دو رویکرد یادگیری دسته‌ای و یادگیری فعّال در بخش دسته‌بندی طرح پیشنهادی، پیاده‌سازی و ارزیابی شده است. نتایج ارزیابی نشان می‌دهد دقت معماری پیشنهادی جهت شناسایی حمله DDoS، 81/99 درصد شده است | ||
| کلیدواژه‌ها | ||
| شناسایی حمله DDoS؛ دسته‌بندی ترافیک شبکه؛ امنیت شبکه؛ روش گروهی؛ یادگیری فعّال؛ ویژگی‌های سطح جریان؛ مجموعه داده .CICIDS2017 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 169 تعداد دریافت فایل اصل مقاله: 146 |
||