مروری برمطالعات و بررسی روشهای تحقیقاتی انجام شده در زمینه تشخیص حملات DDOS بااستفاده از تکنیک های یادگیری ماشین

امروزه، حملات امنیت سایبری به طور فزایندهای پیچیده می شوند و تهدیدی رو به رشد برای افراد، بخش های خصوصی و عمومی ، به ویژه حمله انکار سرویس (DOS) و نوع آن، انکار سرویس توزیع شده (DDOS) هستند .مقابله با این تهدیدات خطرناک با استفاده از راه حل های کاهش سنتی از محدودیت ها و مسائل عملکردی متعددی رنج می برد .برای غلبه بر این محدودیت ها، یادگیری ماشینی (ML) به یکی از تکنیک های کلیدی برای غنی سازی، تکمیل و تقویت تجربیات امنیتی سنتی تبدیل شده است .در این زمینه ، ما روی یکی از فرآیندهای کلیدی که مدلهای پیش بینی DOS-DDOS یادگیری ماشین را بهبود می بخشد و بهینه می کند تمرکز می کنیم : فرآیند انتخاب ویژگی DOS-DDOS ، به ویژه فرآیند پوشش .با مطالعه مجموعه های داده های مختلف DOS-DDOS ، الگوریتم ها و نتایج چندین پروژه تحقیقاتی ، ما تاثیر روی استراتژیهای بسته بندی مورد استفاده، تعداد ویژگی های DOS-DDOS و بسیاری از معیارهای رایج برای ارزیابی مدلهای پیش بینی -DOS DDOSرا بررسی و ارزیابی کردهایم ..بر اساس این مطالعه مروری و ارزیابی ، می توانیم برخی از استراتژیهای بسته بندی، الگوریتم ها، ویژگی های DOS-DDOS با تاثیر مرتبط را برای بهبود راه حل های موجود DOS-DDOS ML مشاهده کنیم .

کلیدواژه ها:

حملات DDOS DOS ، یادگیری ماشین ، فرایند Wrapper ، انتخاب ویژگی