اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,421 |
| تعداد مقالات | 10,218 |
| تعداد مشاهده مقاله | 12,187,973 |
| تعداد دریافت فایل اصل مقاله | 7,130,506 |
تحلیل حملات توزیعشده انکار سرویس در جرمشناسی سایبری | ||
| مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی | ||
| مقاله 2، دوره 4، شماره 2، شهریور 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسنده | ||
| مرتضی یزدان پناه* | ||
| مربی سازمانی دانشگاه افسری و تربیت پاسداری امام حسین علیه السلام، تهران، ایران | ||
| تاریخ دریافت: 12 اردیبهشت 1404، تاریخ بازنگری: 20 خرداد 1404، تاریخ پذیرش: 16 تیر 1404 | ||
| چکیده | ||
| حملات توزیعشده انکار سرویس از جدیترین تهدیدها علیه زیرساختهای دیجیتال امروزی به شمار میروند و پیامدهای آنها میتواند امنیت، اعتماد و پایداری سامانههای حیاتی را بهطورجدی تحت تأثیر قرار دهد. مقابله مؤثر با این حملات نیازمند رویکردی فراتر از روشهای سنتی و بهرهگیری از ابزارهای نوین تحلیل جرمشناسی سایبری است. در این پژوهش چارچوبی نوآورانه معرفیشده است که بر پایه ترکیب تحلیل کلان داده، الگوریتمهای یادگیری ماشین و استانداردهای معتبر جرمشناسی دیجیتال بناشده است. این چارچوب توانایی شناسایی دقیق مهاجمان، حفاظت از شواهد دیجیتال و مدیریت مقیاسپذیر دادههای حجیم را فراهم میآورد. این چارچوب با اتکا به متدولوژی NIST، پردازش توزیعشده مبتنی بر هادوپ و مدلهای پیشرفته یادگیری ماشین همچون گرادیان بوست و جنگل تصادفی طراحیشده است. از مهمترین دستاوردهای آن میتوان به معماری مقیاسپذیر برای تحلیل بلادرنگ ترافیک، لایهای حقوقی برای حفاظت از شواهد دیجیتال و مکانیسمهای دقیق جهت ردیابی آدرسهای جعلی اشاره کرد. یافتههای این تحقیق نشان میدهد که رویکرد پیشنهادی قادر است شکافهای موجود در روشهای متداول را پوشش داده و راهکاری کارآمد برای تحلیل و مدیریت حملات سایبری نوین ارائه دهد. | ||
| کلیدواژهها | ||
| جرم شناسی سایبری؛ حملات توزیع شده انکار سرویس؛ تحلیل بلادرنگ ترافیک | ||
| عنوان مقاله [English] | ||
| Analysis of Distributed Denial-of-Service Attacks in Cyber Forensics | ||
| نویسندگان [English] | ||
| Morteza Yazdanpanah | ||
| Organizational trainer at Imam Hussein (AS) Guards Officer and Training University.Tehran, Iran | ||
| چکیده [English] | ||
| Distributed Denial of Service (DDoS) attacks are among the most serious threats to modern digital infrastructure, with consequences that can significantly impact the security, trust, and stability of critical systems. Effectively countering these attacks requires an approach beyond traditional methods and the adoption of advanced cyber forensics tools. This study introduces an innovative framework built upon the integration of big data analytics, machine learning algorithms, and established digital forensics standards. The framework enables precise attacker identification, protection of digital evidence, and scalable management of large-scale data. Designed based on the NIST methodology, distributed processing using Hadoop, and advanced machine learning models such as Gradient Boosting and Random Forest, the framework offers key contributions, including a scalable architecture for real-time traffic analysis, a legal layer for safeguarding digital evidence, and precise mechanisms for tracking spoofed addresses. The findings of this research demonstrate that the proposed approach can address gaps in conventional methods and provide an efficient solution for the analysis and management of modern cyber attacks. | ||
| کلیدواژهها [English] | ||
| Cyber Forensics, Distributed Denial of Service Attacks, Real Time Traffic Analysis | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 412 |
||