Machine learning approach detects DDoS attacks

Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin - Tập 1 Số 15 - Trang 102-108 - 2022
Doan Trung Son, Nguyen Thi Khanh Tram, Tran Thi Thu

Tóm tắt

Abstract—Denial of Service attacks have been around since the dawn of the internet age. Along with the development and explosion of the Internet, denial of service attacks are also increasingly powerful and become a serious threat in cyberspace. The article aims to evaluate machine learning algorithms: K-nearest neighbor (KNN) algorithm, Decision Tree, Random Forest algorithm and Support Vector Machine (SVM) on various metrics in detecting DDoS attacks. The main objective of the paper is to analyze the algorithms, collect data and evaluate the effectiveness of the algorithms in DDoS attack detection. Tóm tắt—Tấn công từ chối dịch vụ đã xuất hiện từ những năm khởi nguyên của thời đại internet. Song hành cùng sự phát triển và bùng nổ của mạng Internet, tấn công từ chối dịch vụ cũng ngày càng mạnh mẽ và trở thành mối đe dọa nghiêm trọng trên không gian mạng. Bài báo hướng tới đánh giá các thuật toán học máy: Thuật toán K láng giềng gần nhất (K-nearest neighbor - KNN), cây quyết định (Decision Tree), thuật toán rừng ngẫu nhiên (Random Forest) và máy vector hỗ trợ (Support Vector Machine - SVM) trên các chỉ số đánh giá khác nhau trong việc phát hiện các cuộc tấn công DDoS. Mục tiêu chính của bài báo nhằm phân tích các thuật toán, thu thập đánh giá dữ liệu và tiến hành so sánh hiệu quả các thuật toán vào phát hiện tấn công DDoS.

Từ khóa

#DDoS #KNN #Cây quyết định #Rừng ngẫu nhiên #SVM

Tài liệu tham khảo

. Hội thảo “Bảo vệ mạng và dữ liệu khỏi các cuộc tấn công từ chối dịch vụ (DDoS) nhằm vào các tổ chức, doanh nghiệp” - ngày 3-5-2019, Cục An toàn Thông tin, Báo VietnamNet, tổ chức Nexusguard Limited tổ chức.

. CERT Coordination Center, “Results of the Distributed-systems Intruder Tools Workshop”, năm 1999. Software Engineering Institute.

. L. Garber, Denial-of-Service Attacks Rip the Internet”, IEEE Computer, 33(4):12–17, 2000.

. D. Dittrich, “The DoS Project’s “trinoo” Distributed Denial of Service Attack Tool”, 21 tháng 10 năm 1999.

. D. Dittrich, “The “stacheldraht” distributed denial of service attack tool”, https://staff.washington.edu/dittrich/misc/stacheldr aht.analysis/, 31 tháng 12 năm 1999.

. D. Dittrich, “The Tribe Flood Network” Distributed Denial of Service Attack Tool”- https://staff.washington.edu/dittrich/misc/tfn.analy sis/, 1999.

. D. Kumar, G. Rao, M. K. Singh, and G. Satyanarayana, “A Survey of Defense Mechanisms countering DDoS Attacks in the Network”, Intl. Journal of Advanced Research in Computer and Communication Engineering, 2:2599–2606, tháng 7 năm 2013.

. Swathi Sambangi và Lakshmeeswari Gondi, “A Machine Learning Approach for DDoS (Distributed Denial of Service) Attack Detection Using Multiple Linear Regression” trong hội thảo quốc tế INTER- ENG 2020 Interdisciplinarity in Engineering lần thứ 14 tại Mures, Romania, 08/9/2020.

. P Sangkatsanee, N Wattanapongsakorn and C Charnsripinyo, “Practical real-time intrusion detection using machine learning approaches”, ELSEVIER Computer Communications 34(2011) 2227-2235.

. I Sofi, A Mahajan and V Mansotra, “Machine Leaming Techniques used for the Detection and Analysis of Modem Types of DDoS Attacks”, International Research Journal of Engineering and Technology (IRJET), Tập:04, tháng 06/2007.

Mahadev, V Kumar and H Sharma, “Detection and Analysis of DDoS Attack at Application Layer Using Naive Bayes Classifier”, Intemational Journal of Computer Engineering & Technology (IJCET), tập 9, 2018, pp. 208-217, Article IICET_09_03_025.

. S Duque, M Nizam bin Omar, “Using Data Mining Algorithms for developing a Model for Intrusion Detection System (IDS)”, ELSEVIER Procedia Computer Science 61 (2015) 46-51.

Thông tin
: ["5898634654041678915"]
Thông tin xuất bản

Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin

Tập 1 Số 15

102-108

Thông tin tác giả