پیش بینی حملات DDOS بر اساس Exponential Smoothing و روش بهینه شبکه عصبی حالت SCESN

با توجه به پیچیدگی روزافزون شبکه های کامپیوتری و افزایش حملات، برقراری امنیت در این شبکه ها نیز دارای پیچیدگی ها و دشواری های فراوانی شده است. از این رو سیستم های پیش بینی نفوذ به عنوان راهکاری فعال در جهت ایجاد امنیت در شبکه های کامپیوتری ارایه شده است. وظیفه سیستم های پیش بینی نفوذ، تحلیل پیش بینی گرایانه رفتار گذشته سیستم است. در این مقاله سعی کرده ایم روشی را ارایه کنیم که بتواند تخمین آینده شبکه و تشخیص از طریق نظریه آشوب، حملات DDoS را پیش بینی کند. با این پیش بینی می توانیم تشخیص زودهنگامی را بر روی حملات انجام دهیم. در این روش ترافیک آینده شبکه بر اساس مدل exponential smoothing پیش بینی می شود و بر اساس خطای پیش بینی انجام شده نسبت به مقدار واقعی ترافیک، سری زمانی خطای پیش بینی بدست آید. چنانچه نشان داده خواهد شد این سری دارای خواص آشوبی است. همچنین نشان داده است با استفاده از تحلیل مولفه لیاپونف می توان احتمال حملات را در این سری زمانی تشخیص داد. بدین منظور سری زمانی حاصل با استفاده از روش ESN پیش بینی می گردد و با استفاده از تحلیل مولفه لیاپونف وجود حمله پیش بینی می گردد. برای آن که روش ارایه شده را مورد آزمایش عملی قرار دهیم بوسیله مجموعه داده Darpa98 که متشکل از دادههای جمع آوری شده و استاندارد برای ارزیابی سیستمهای تشخیص نفوذ است نشان خواهیم داد که این روش توانایی پیش بینی زودهنگام حملات را دارا می باشد..

کلیدواژه ها:

حملات DDoS ، پیش بینی ، نظریه آشوب ، Exponential Smoothing ، تحلیل مولفه لیاپونف ، تابع سری زمانی خطای پیش بینی ، Echo State Network