چکیده مقاله
اب گسترش روزافزون خدمات اینترنتی و استفاده از دستگاههای اینترنت اشیاء IoT ، «دسترس پذیری» خدمات، نقشی حیاتی در شبکه ایفا می کند این در حالی است که تعداد حملات منع سرویس توزیع شده Distributed Denial of Service توسط مهاجمان در سال های اخیر، رشد قابل ملاحظه ای داشته است یک چالش مهم در مواجهه با این حملات، تشابه بالای ترافیک آن به ترافیک بهنجار است این مقاله، یک روش بدون ناظر یادگیری ماشین را برای جداسازی ترافیک حمله منع سرویس توزیع شده از ترافیک بهنجار ارائه می کند ما از الگوریتم DBSCAN برای خوشه بندی ترافیک ورودی در پنجره های با طول ثابت استفاده می کنیم که در آن از روشی برای محاسبه مقدار بهینه پارامتر به بهره جسته شده است در این روش، فاصله دوبه دوی نمونه های مورد آموزش، محاسبه شده و با چینش صعودی این فاصله ها، نقطه ای که در آن جهشی رخ داده است به عنوان مقدار بهینه پارامتر ε در نظر گرفته میشود در نتیجه، الگوریتم برای هر بخش از ترافیک که در یک پنجره پردازش میشود بهینه ترین مقدار ع برای آن بخش از ترافیک را محاسبه می کند؛ از این رو الگوریتم به سازوار Adaptive عمل می کند روش پیشنهادی توسط مجموعه داده CICIDS۲۰۱۷ مورد ارزیابی قرار گرفته است و نتایج نشان میدهد که میزان خلوص Purity خوشه های به دست آمده برابر با ۹۹ درصد و همچنین شاخص همگنی Homogeneity score برابر با ۹۴ درصد است؛ که این نشان میدهد که روش پیشنهادی، کارایی مناسبی جهت جداسازی ترافیک حمله از ترافیک بهنجار ارائه میدهد
کلیدواژهها
نویسندگان
محمد نجفی مهر
دانشجوی کارشناسی ارشددانشگاه یزد، یزد، ایران
سجاد ظریف زاده
استادیاردانشگاه یزد، یزد، ایران
سیداکبر مصطفوی
استادیاردانشگاه یزد، یزد، ایران
شیوه ارجاع
نجفی مهر، محمد و ظریف زاده، سجاد و مصطفوی، سیداکبر،1399،جداسازی ترافیک حمله منع سرویس توزیع شده از ترافیک بهنجار بااستفاده از یک الگوریتم سازوار خوشه بندی DBSCAN،چهارمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز
ارائهشده در
مجموعه مقالات پنجمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی15 اسفند 1400 · اهواز