بررسی نحوه حفاظت حمله ی DDoS در حوزه ی رایانش ابری و شبکه نرم افزاری تعریف شده

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 730

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ECIE01_032

تاریخ نمایه سازی: 8 اردیبهشت 1396

چکیده مقاله:

با توجه به این که رایانش ابری به یک رویه واقعی از مدل خدمت IT سازمان تبدیل شده، لذا در شبکه های نرم افزاری تعریف شده 3 (SDN)محبوبیتی در شبکه های سازمانی از جهت انعطاف پذیری در خدمت مدیریت شبکه و هزینه عملیاتی کاهش یافته کسب می کنند، لذا با پیوند رایانش ابری و SDN چالش های جدیدی در پیاده سازی آن ها بر روی امنیت شبکه سازمان به وجود آمده است، در این پژوهش با ازمایش اثر امنیت به خصوص اثر بر مکانیسم دفاعی حمله DDoSدر یک شبکه سازمانی که هر دو تکنولوژی را پذیرفته 4 اند مشخص می شود که تکنولوژی SDN به طور واقعی می تواند به سازمان ها در صورتی که معماری دفاعی و یک معماری کاهش حمله به طور مناسبی طراحی شده باشد در دفاع در مقابل حمله های DDoS کمک خواهد نمود.

نویسندگان

مهسا مخلوقی

کارشناسی ارشد نرم افزار گروه کامپیوتر واحد ارومیه دانشگاه آزاد اسلامی ارومیه ایران

کامبیز مجیدزاده

استادیار گروه کامپیوتر واحد ارومیه دانشگاه آزاد اسلامی ارومیه ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • D. Geneiatakis, G. Portokalidis, A.DD. Keromytis, A multilayer overlay network ...
  • X. Liu, X. Yang, Y. Lu, To filter or to ...
  • P. Mittal, D. Kim, Y.C. Hu, M. Caesar, Mirage: Towards ...
  • W.G. Morein, A. Stavrou, D.L. Cook, A.D. Keromytis, V. Misra, ...
  • H. Wang, L. Xu, G. Gu, Of-guard: A DoS Attack ...
  • D. Kreutz, F. Ramos, P. Verissimo, Towards secure and dependable ...
  • C. Kruegel, D. Mutz, W. Robertson, F. Valeur, Bayesian event ...
  • K.K. Gupta, B. Nath, R. Kotagiri, Layered approach using conditional ...
  • J. Xu, C.R. Shelton, Intrusion detection using continuous time bayesian ...
  • C. Clark, K. Fraser, S. Hand, J.G. Hansen, E. Jul, ...
  • _ McKeown, T. Anderson, H. Balakrishnan, G. Parulkar, L. Peterson, ...
  • D. Kollar, N. Friedman, Probabilistic Graphical Models: Principles and Techniques, ...
  • C. Chow, C. Liu, Approximating discrete probability distributions with dependence ...
  • K.P. Murphy, Machine Learning: A Probabilistc Perspective, The MIT Press, ...
  • K. Thompson, G. Miller, R. Wilder, Wide-area internet traffic patterns ...
  • J. Qui onero-Candela, M. Sugiyama, A. Schwaighofer, N.D. Lawrence, Dataset ...
  • B. Lantz, B. Heller, N. McKeown, A network in a ...
  • Floodlight OpenFlow Controller. _ : /foodlight. openflowhub. org>. ...
  • A. Shiravi, H. Shiravi, _ Tavallaee, A.A. Ghorbani, Toward developing ...
  • T. Peng, C. Leckie, K. Ramamo hanarao, Survey of network-based ...
  • S. Zargar, J. Joshi, D. Tipper, A survey of defense ...
  • J.H. Jafarian, E. Al-Shaer, Q. Duan, Openflow random host mutatio. ...
  • P. Porras, S. Shin, V. Yegneswaran, M. Fong, M. Tyson, ...
  • G. Yao, J. Bi, P. Xiao, Source address validation solution ...
  • S. Shin, P. Porras, V. Yegneswaran, M. Fong, G. Gu, ...
  • A. Patcha, J.M. Park, An overview of anomaly detection techniques: ...
  • D. Heckerman, a Tutorial _ Learning with Bayesian Networks, Springer ...
  • نمایش کامل مراجع