اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,289 |
| تعداد مقالات | 9,294 |
| تعداد مشاهده مقاله | 8,800,283 |
| تعداد دریافت فایل اصل مقاله | 5,339,815 |
تحلیل ترافیک شبکه با یادگیری ماشین برای تشخیص سریع‌تر حمله قطع سرویس توزیع‌یافته | ||
| علوم و فناوریهای پدافند نوین | ||
| مقاله 6، دوره 14، شماره 4 - شماره پیاپی 54، بهمن 1402، صفحه 273-282 | ||
| نوع مقاله: کامپیوتر - شبکه های کامپیوتری | ||
| نویسندگان | ||
| محمد ظهیری1؛ کیمیا شیرینی2؛ سینا صمدی قره ورن* 3 | ||
| 1دانشجوی کارشناسی ارشد، دانشگاه شهید مدنی آذربایجان، تبریز،ایران | ||
| 2دانشجوی دکتری، دانشگاه تبریز، تبریز، ایران | ||
| 3استاد،دانشگاه تبریز، تبریز ، ایران | ||
| تاریخ دریافت: 26 مهر 1402، تاریخ بازنگری: 20 آذر 1402، تاریخ پذیرش: 04 دی 1402 | ||
| چکیده | ||
| در این تحقیق، به بررسی و تحلیل چهار الگوریتم یادگیری ماشین برای شناسایی حملات DDoS پرداخته شده است. برای این منظور، از پایگاه‌داده Intrusion Detection Evaluation Dataset (CIC-IDS2017) استفاده شده است که شامل نمونه‌های ترافیک بات نت است. الگوریتم‌های KNN، RF، Naive Bayes و J48 با استفاده از ویژگی‌های انتخاب‌شده با تابع SelectKBest و کتابخانه scikit-learn آموزش داده شدند. نتایج نشان می‌دهند که الگوریتم‌های RF، KNN و J48 از نظر دقت بسیار به هم نزدیک بوده و عملکرد خوبی در شناسایی ترافیک بات نت و ترافیک معمولی داشته‌اند. الگوریتم RF با F1-score بالاتر نسبت به KNN، دقت بیشتری در شناسایی ترافیک بات نت ارائه داده است. از سوی دیگر، الگوریتم Naive Bayes، باوجود دقت کلی بالا، در شناسایی ترافیک بات نت عملکرد ضعیفی داشته و Precision و Recall آن برای دسته‌بندی بات نت بسیار پایین است. الگوریتم J48 نیز عملکرد نسبتاً خوبی داشته، ولی به دلیل مقدار پایین Recall، بخش قابل‌توجهی از ترافیک حمله به‌اشتباه به‌عنوان ترافیک معمولی شناسایی شده است. این تحقیق تأکید دارد که برای مقابله با حملات DDoS، استفاده از الگوریتم‌های مدرن یادگیری ماشین می‌تواند دقت و سرعت شناسایی را بهبود بخشد. در آینده، آزمایش مدل‌ها در شرایط واقعی و با داده‌های متنوع‌تر، به‌منظور افزایش دقت و قابلیت‌های مدل‌های شناسایی حملات اینترنتی، ضروری است. | ||
| کلیدواژه‌ها | ||
| یادگیری ماشین؛ ترافیک شبکه؛ حمله DDos؛ درخت تصمیم؛ نزدیک ترین همسایه | ||
| عنوان مقاله [English] | ||
| Network traffic analysis with machine learning for faster detection of distributed denial of service attack | ||
| نویسندگان [English] | ||
| Mohammad zahiri1؛ kimia shirini2؛ sina samadi gharehveran3 | ||
| 1Master's student, Shahid Madani University of Azerbaijan, Tabriz, Iran | ||
| 2PhD student, Tabriz University, Tabriz, Iran | ||
| 3Professor, Tabriz University, Tabriz, Iran | ||
| چکیده [English] | ||
| In this research, four machine learning algorithms for detecting DDoS attacks have been investigated and analyzed. For this purpose, the Intrusion Detection Evaluation Dataset (CIC-IDS2017) database, which includes botnet traffic samples, has been used. KNN, RF, Naive Bayes, and J48 algorithms were trained using the selected features with the SelectKBest function and the scikit-learn library. The results show that the RF, KNN, and J48 algorithms are very close in terms of accuracy and have performed well in identifying botnet traffic and normal traffic. The RF algorithm with a higher F1-score compared to KNN has provided more accuracy in identifying botnet traffic. On the other hand, the Naive Bayes algorithm, despite its high overall accuracy, has performed poorly in identifying botnet traffic, and its precision and recall are very low for botnet classification. The J48 algorithm has also performed relatively well, but due to the low recall value, a significant part of the attack traffic has been mistakenly identified as normal traffic. This research emphasizes that to deal with DDoS attacks, the use of modern machine learning algorithms can improve the accuracy and speed of identification. In the future, it will be necessary to test the models in real-world conditions with more diverse data in order to increase the accuracy and capabilities of Internet attack detection models. | ||
| کلیدواژه‌ها [English] | ||
| Ddos Attack, Decision Tree, Machine Learning, Nearest Neighbor, Network Traffic | ||
| مراجع | ||
|
[1] Asadi, M.; BagherI, Z. “Detection of Denial of Service Attacks by Ensemble Learning Method”; J. Adv. Defense Sci. & Technol. 2023, 14, 51-68 (In Persian). Dor:20.1001.1.26762935.1402. 14.1.5.5 [2] Wang, B.; He, Y.; Shui, Z.; Xin, Q.; Lei, H. “Predictive Optimization of DDoS Attack Mitigation in Distributed Systems using Machine Learning”; Appl. Comput. Eng. 2024, 64, 95-100. DOI:10.54254/2755 2721/64/20241350 [3] Mittal, M.; Kumar, K.; Behal, S. “Deep Learning Approaches for Detecting DDoS Attacks: A Systematic Review”; Soft computing 2023, 27, 13039-13075. DOI:10.1007/s00500-021-06608-1 [4] Kumari, P.; Jain, A. K. “A Comprehensive Study of DDoS Attacks Over IoT Network and Their Countermeasures”; Computers & Security. 2023, 127, 103096. DOI:10.1016/j.cose.2023.103096 [5] Mittal, M.; Kumar, K.; Behal, S. “Deep Learning Approaches for Detecting DDoS Attacks: A Systematic Review”; Soft Computing 2023, 27, 1-37. [v1] DOI:10.1007/s00500-021-06608-1 [6] Sattari, M. T.; Bagheri, R.; Shirini, K.; Allahverdipour, P. “Modeling Daily and Monthly Rainfall in Tabriz using Ensemble Learning Models and Decision Tree Regression”; Scientific Journal of Golestan University, 2024, 5, 31-48 DOI: 10.30488/CCR.2024.433394.1192 [7] Saleh Esfehani, M.; Abo Ali, M. “An IDS for Detection of Active Attacks Against Routing in Mobile Ad Hoc Networks”; J. Adv. Defense Sci. & Technol. 2010, 1, 15-22 (In Persian). Dor: 20.1001.1.26762935.1389.1.1.2.1 [8] Behal, S.; Kumar, K. “Characterization and Comparison of DDoS Attack Tools and Traffic Generators: A Review”; Int. J. Netw. Secur. 2017, 19,383-393DOI:10.6633/IJNS.201703.19(3).07 [9] Michelena, Á,; Aveleira‐Mata, J.; Jove, E.; Bayón‐Gutiérrez, M.; Novais, P.; Romero, O. F.; Aláiz‐Moretón, H. “A Novel Intelligent Approach for Man‐in‐the‐Middle Attacks Detection Over Internet of Things Environments Based on Message Queuing Telemetry Transport”; Expert Systems 2024, 41, e13263. DOI:10.1111/exsy.13263. [10] Choorod, P.; George, W.; Anil Fernando. “Classifying for Traffic Encrypted Payload using Machine Learning”; IEEE Access. 2024. DOI: 10.1109/ACCESS.2024.3356073 [11] Priya, S. S.; Sivaram, M.; Yuvaraj, D.; Jayanthiladevi, A. “Machine Learning Based DDoS Detection”; International Conference on Emerging Smart Computing and Informatics. 2020, 234-237. DOI: 10.1109/ESCI48226.2020.9167642 [12] Kazemitabar, J.; Taheri, R.; Kheradmandian, H. “A Novel Technique for Improvement of Intrusion Detection via Combining Random Forrest and Genetic Algorithm”; J. Adv. Defense Sci. & Technol. 2019, 287-296 (In Persian). Dor: 20.1001.1.26762935.1398.10.3.9.5 [v2] [13] Das, S.; Mahfouz, A. M.; Venugopal, D.; Shiva, S. “DDoS Intrusion Detection Through Machine Learning Ensemble”; IEEE 19th international conference on software Quality, Reliability and Security Companion. 2019, 471-477. DOI: 10.1109/QRS-C.2019.00090 [14] Asgharian, H.; Ahmad A.; Raahemi, B. “Engineered Feature Set to Detect Flooding Attacks in SIP Based VoIP’; J. Adv. Defense Sci. & Technol. 2019, 8, 61-69 (In Persian). Dor: 20.1001.1.26762935.1396.8.1.7.5 [15] Pande, S.; Khamparia, A.; Gupta, D.; Thanh, D. N. “DDOS Detection Using Machine Learning Technique”; Recent Studies on Computational Intelligence: Doctoral Symposium on Computational Intelligence, Springer Singapore 2021, 59-68. DOI:10.1007/978-981-15-8469-5_5 [16] Abdulla, N. N.; Hasoun, R. K. “Review of Detection Denial of Service Attacks Using Machine Learning Through Ensemble Learning”; Iraqi Journal for Computers and Informatics. 2022, 48, 13-20. DOI:10.25195/ijci.v48i1.349 [17] Sattari, M. T.; Shirini, K.; Javidan, S.” Evaluating the Efficiency of Dimensionality Reduction Methods in Improving the Accuracy of Water Quality Index Modeling using Machine Learning Algorithms”; Water and Soil Management and Modelling. 2024,4, 89-104. DOI: 10.22098/mmws.2023.12434.1241 | ||
|
آمار تعداد مشاهده مقاله: 327 تعداد دریافت فایل اصل مقاله: 113 |
||