ارائه یک مدل طبقه بندی و پیش بینی حملات DDOS مبتنی بر یادگیری ماشین

حملات DDoS یکی از مهمترین تهدیدات امنیتی برای شبکه های کامپیوتری هستند. این حملات باعث اختلال در عملکرد سیستم و سرویس های شبکه ای میشوند و میتوانند به سرقت اطلاعات و خسارات مالی بزرگی منجر شوند؛ بنابراین، شناسایی و پیش بینی حملات انکارسرویس بسیار مهم است. هدف این پژوهش ارائه روشی دقیق و موثر برای تشخیص حملات انکارسرویس با استفاده از الگوریتم های یادگیری ماشین است. مدل های یادگیری عمیق مانند شبکه عصبی کانولوشن و شبکه عصبی بازگشتی و نیز الگوریتم های قدرتمندی همچون جنگل تصادفی و XGBoost برای طبقه بندی و پیش بینی حملات انکارسرویس بر روی مجموعه داده UNSW-NB۱۵ مورد استفاده قرار گرفته اند. فرآیند این پژوهش شامل مراحل انتخاب مجموعه داده، پیش پردازش داده ها، استخراج ویژگی و برچسب گذاری، رمزگذاری داده های نمادین به عددی و تقسیم داده ها به مجموعه های آموزشی و آزمونی است. تکنیک های بهینه سازی مدل به منظور بهبود دقت الگوریتم ها به کار گرفته شدند و نتایج با استفاده از معیارهایی مانند دقت، صحت، فراخوانی و دقت پیش بینی ارزیابی شدند. یافته ها نشان داد که مدل های پیشنهادی با استفاده از داده های واقعی حملات انکارسرویس دقت بالایی دارند، با میانگین دقت و F۱-score حدود ۹۰%. این پژوهش به طور خاص بر کاهش تعداد ویژگی ها و تکنیک های داده کاوی تمرکز دارد که به بهبود معیارهای ارزیابی مدل ها منجر شده اند. نتایج نشان می دهد که تکنیک های یادگیری ماشین میتوانند به طور موثری برای شناسایی و پیش بینی حملات انکارسرویس استفاده شوند و نقش مهمی در تامین امنیت شبکه های کامپیوتری ایفا کنند.

کلیدواژه ها:

یادگیری ماشین ، یادگیری عمیق ، تشخیص حملات انکارسرویس ، مجموعه داده UNSW-NB۱۵ ، امنیت شبکه