کشف حملات ddos به شبکه به کمک روش یادگیری جمعی وتشدید

زهرا همتی گشتاسب¹ جاسم جمالی² محمدحسین پیربنیه³

1) گروه کامپیوتر ،دانشکده فنی و مهندسی، واحد کازرون ،دانشگاه آزاد اسلامی ،کازرون، ایران.
2) گروه برق ،دانشکده فنی و مهندسی، واحد کازرون ،دانشگاه آزاد اسلامی ،کازرون، ایران
3) گروه کامپیوتر ،دانشکده فنی و مهندسی، واحد کازرون ،دانشگاه آزاد اسلامی ،کازرون، ایران.

محل انتشار : هفتمین کنفرانس بین المللی پژوهش در علوم و مهندسی و چهارمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(7icrsie.com)
چکیده :
سیستم‌های تشخیص نفوذ باید به طور کارا و با دقت بالا تهدیدها و حملات شبکه‌ای را تشخیص دهند. یادگیری ماشین مبتنی بر مدل‌های تشخیص نفوذ نهایت تلاش خود را جهت افزایش نرخ تشخیص به کار می‌برند. مشکل‌ داده‌های نامتوازن اغلب در داده‌های مربوط به حملات شبکه رخ می‌دهد که می‌تواند موجب کاهش دقت سیستم‌های تشخیص نفوذ ‌گردد. در این مقاله با توجه به اینکه مقدار خطای حاصل از اجماع مدل‌ها به دلیل هم پوشانی نسبت به حالت تکی کمتر خواهد بود، روش یادگیری جمعی AdaBoost مورد بررسی قرار گرفته است. در این تحقیق برای مطالعه بر روی حملات DDOS از دو هانی نت آزمایشگاهی مجازی در دو مکان مختلف طراحی شده و همچنین از سایر مجموعه داده های علمی استفاده گردیده است ، که طبقه بندهای مختلف را مورد ارزیابی قرار داده‌ایم در این مرحله به کمک فنون و آزمایشهای آماری نشان داده شده که عملکرد الگوریتم طراحی شده با رأی گیری وزنی پیشنهادی بر اساس الگوریتم ژنتیک نسبت به دوازده طبقه بند دیگر بهتر میباشد.
کلمات کلیدی : حملات DDOS یادگیری جمعی الگوریتم AdaBoost هانی‌نت