ANN and DNN-based Models for DDoS Detection via Network Traffic Forecasting
| العنوان بلغة أخرى: |
كشف هجمات رفض الخدمة الموزعة عبر التنبؤ بتدفق بيانات الشبكة باستخدام نماذج الشبكات العصبونية الاصطناعية والتعلم العميق |
|---|---|
| المؤلف الرئيسي: | جنداري، أمجاد ابراهيم (مؤلف) |
| مؤلفين آخرين: | أبو عرقوب، عبدالرحمن (مشرف) |
| التاريخ الميلادي: |
2019
|
| موقع: | عمان |
| الصفحات: | 1 - 46 |
| رقم MD: | 1013857 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة الشرق الأوسط |
| الكلية: | كلية تكنولوجيا المعلومات |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
55
| المستخلص: |
تؤثر الهجمات الإلكترونية مثل رفض الخدمة الموزعة بشكل كبير على عرض النطاق الترددي للشبكة المتوفرة، مما يعني أنه من خلال تحليل حركة مرور الشبكة القادمة يمكن اكتشاف هجمات رفض الخدمة الموزعة، لا يعد اكتشاف هجمات رفض الخدمة الموزعة مهمة بسيطة. عادة ما يعتمد على تصنيف طلبات الشبكة القادمة ويميز بين حركة المرور القادمة من المصادر المهاجمة وحركة مرور الشبكة الشرعية العادية. إحدى الطرق الأكثر فاعلية لاكتشاف هجمات رفض الخدمة هي من خلال التنبؤ بالنطاق الترددي حيث أنه يوفر فهما واضحا لحركة المرور المشروعة ويساعد في تحديد المصاب بهجوم رفض الخدمة الموزعة من حركة مرور المستخدمين الشرعية القادمة إلى الخوادم. وبالتالي، يقترح هذا العمل طريقة للكشف عن هجمات رفض الخدمة الموزعة من خلال التنبؤ بالنطاق الترددي للشبكة باستخدام الشبكات العصبية الاصطناعية (ANN) والشبكات العصبية للتعلم العميق (DNN). تتكون الـ ANN من نموذجين أولا بنية التغذية الأمامية أحادي الطبقة، ثانيا بنية التغذية العكسية أحادي الطبقة، بينما الـ DNN فيتكون من بنية التغذية الأمامية متعددة الطبقات. تم تصميم هذه النماذج في برنامج ماتلاب ويتم تدريبها باستخدام مجموعة من بيانات حركة مرور الشبكة في سلسلة زمنية للتنبؤ أولا بمتطلبات حركة المرور المستقبلية، ثانيا يتم تطبيق مزيدا من التحليل على نتائج عرض النطاق الترددي المتوقعة للكشف عن هجمات رفض الخدمة. يتم تحليل أداء النماذج الثلاثة للتنبؤ بشكل نقدي ومقارنتها مع بعضها البعض في عدد من التدريبات على النطاق الترددي للشبكة والتجارب التي توقعت جميعها نتائج تنبؤ عالية للغاية بمعدلات دقة أعلى من 97.8 في المائة. ويتم تحليل نتائج الأداء التنبؤي للنماذج المقترحة تحليلا إضافيا لاكتشاف هجمات رفض الخدمة الموزعة من خلال مقارنة نتائج التنبؤ للنماذج المقترحة بالحركة الفعلية القادمة. ولقد أظهرت نتائج هذا العمل أن نموذج التغذية الأمامية متعددة الطبقات (DNN) ونموذج التغذية الأمامية أحادية الطبقة (ANN) يتمتعان بأعلى معدلات للدقة مقارنة مع نموذج التغذية العكسية أحادية الطبقة. |
|---|
عناصر مشابهة
-
Detection and Classification of DDoS Attack Using Artificial Neural Network
بواسطة: المسيعدين، محمد عبدالله منشور: (2015) -
Method for Distributed Denial of Service "DDoS" Attack Detection Using Machine Learning in IOT Network
بواسطة: Doma, Israa Mohamed Adam منشور: (2022) -
Intrusion Detection System Based on Carpenter/Grossberg Artificial Neural Network
بواسطة: Al Rubaye, Ammar Mhana Kadhim منشور: (2014) -
An Artificial Intelligence Based Model for the Detection and Protection of Sensitive Information
بواسطة: الزعبي، خلود خليل أحمد منشور: (2022) -
An Anomaly Based Approach for DDoS Attacks Detection in Cloud Environment
بواسطة: الهواورة، منى سليمان منشور: (2016)
