پیشگیری و تشخیص حملات انکار سرویس با استفاده از الگوریتم جنگل تصادفی و درخت تصمیم

محورهای موضوعی : مهندسی کامپیوتر-هوش مصنوعی

سیدابراهیم دشتی ^{1 *} , حدیث فرج پور ²

1 - دانشکده برق و کامپیوتر ، واحد جهرم، دانشگاه آزاد اسلامی
2 - دانشکده برق و کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی

تاریخ دریافت : 1403/05/13 تاریخ پذیرش : 1403/09/18 تاریخ انتشار : 1403/09/20

کلید واژه: انکارسرویس توزیع شده, سیستم پیشگیری از نفوذ, یادگیری ماشین, محاسبات ابری, جنگل تصادفی, درخت تصمیم.,

چکیده مقاله :

رایانش ابری با مقیاس پذیری و دسترسی باورنکردنی عصر جدیدی از نوآوری را ایجاد کرده است. مصرف کنندگانی که مشترک سرویسی مبتنی بر ابر هستند، دسترسی نامحدودی به برنامه ها و فناوری دارند. این مفهوم علاوه بر کاهش قیمت ها، قابلیت اطمینان و دسترسی به عرضه ها را افزایش داده است. برنامه هایی که مبتنی بر ابر هستند، در صورت تقاضا از هر کجای دنیا با هزینه کم در دسترس هستند، این دسترسیهای نامحدود فرصتها و چالشهای زیادی را در بر داشته است. اگرچه محاسبات ابری با نگرانی های ایمنی مواجه است، اما به دلیل خدمات آنی فوق العاده اش پیشرفت کرده است. از جمله چالشهای مهم، افزایش وقوع حملات انکار سرویس(DoS) و انکار توزیع شده سرویس(DDoS) است که تقاضا برای مکانیسم های دفاعی مؤثر افزایش یافته است. تشخیص چنین ناهنجاری هایی در شبکه کامپیوتری معمولا ًاز طریق سیستم های تشخیص نفوذ و پیشگیری مبتنی بر شبکه(NIDPS)انجام می شود. اگرچه NIDPSها امکان رهگیری همه حملات شناخته شده را می دهند، اما در برابر تغییرات مداوم ناهنجاریها در طول زمان مقاوم نیستند. الگوریتم یادگیری ماشین الگوریتم هایی را ارائه می کند که بدلیل تکامل پیوسته می توانند با تشخیص ناهنجاریهای جدید به طور موثری تهدیدات سایبری را کاهش دهند. حملات انکار سرویس (DoS) و انکار سرویس توزیع‌شده (DDoS) از مهم‌ترین تهدیدات امنیتی در شبکه‌های کامپیوتری هستند. این حملات می‌توانند به ‌طور قابل توجهی دسترسی به سرویس‌ها را مختل کرده و منجر به از دست رفتن درآمد و اعتبار شوند. تشخیص و پیشگیری از این حملات از اهمیت ویژه‌ای برخوردار است. الگوریتم‌های پیشنهادی جنگل تصادفی و درخت تصمیم از جمله تکنیک‌های کارآمد در حوزه یادگیری ماشین هستند که می‌توانند برای تشخیص و پیشگیری از حملات انکار سرویس مورد استفاده قرار گیرند، نتایج کارآمدی روش پیشنهادی را تایید می کند.

چکیده انگلیسی:

Cloud computing has ushered in a new era of innovation with incredible scalability and accessibility. Consumers who subscribe to a cloud-based service have unlimited access to applications and technology. In addition to reducing prices, this concept has increased the reliability and availability of supplies. Programs that are based on the cloud are available on demand from anywhere in the world at low cost, this unlimited access has many opportunities and challenges. Although cloud computing faces security concerns, it has thrived due to its incredibly instant services. Among the important challenges is the increase in the occurrence of Denial of Service (DoS) and Distributed Denial of Service (DDoS) attacks, which has increased the demand for effective defense mechanisms. Detection of such anomalies in the computer network is usually done through network-based intrusion detection and prevention systems (NIDPS). Although NIDPSs allow for the detection of all known attacks, they are not immune to persistent changes in anomalies over time. Machine learning algorithm provides algorithms that, due to continuous evolution, can effectively reduce cyber threats by detecting new anomalies. Denial of Service (DoS) and Distributed Denial of Service (DDoS) attacks are one of the most important security threats in computer networks. These attacks can significantly disrupt access to services and lead to loss of revenue and reputation. Detection and prevention of These attacks are of particular importance. The proposed random forest and decision tree algorithms are among the efficient techniques in the field of machine learning that can be used to detect and prevent denial of service attacks, the results confirm the effectiveness of the proposed method.

منابع و مأخذ:

[1] J. Yuan, K. Mills, “Monitoring the macroscopic effect of DDoS flooding attacks”, IEEE Trans. Dependable Secur. Comput., vol. 2, no. 4, pp. 324–335, 2005, doi: 10.1109/TDSC.2005.50.
[2] H. Arora, T. Manglani, G. Bakshi, S. Choudhary, “Cyber Security Challenges and Trends on Recent Technologies”, in Proc. 6th Int. Conf. Comput. Methodol. Commun. (ICCMC), 2022, pp. 115–118, doi: 10.1109/ICCMC53470.2022.9753967.
[3] Y. Li and Q. Liu, “A comprehensive review study of cyber-attacks and cyber security; Emerging trends and recent developments”, Energy Reports, vol. 7, pp. 8176–8186, 2021, doi: 10.1016/j.egyr.2021.08.126.
[4] I. H. Sarker, M. H. Furhad, R. Nowrozy, “AI-Driven Cybersecurity: An Overview, Security Intelligence Modeling and Research Directions”, SN Comput. Sci., vol. 2, no. 3, pp. 1–18, 2021, doi: 10.1007/s42979-021-00557-0.
[5] K. Shaukat, S. Luo, V. Varadharajan, I. A. Hameed, M. Xu, “A Survey on Machine Learning Techniques for Cyber Security in the Last Decade”, IEEE Access, vol. 8, pp. 222310–222354, 2020, doi: 10.1109/ACCESS.2020.3041951.
[6] A. B. Nassif, M. A. Talib, Q. Nasir, F. M. Dakalbab, “Machine Learning for Anomaly Detection: A Systematic Review”, IEEE Access, vol. 9, pp. 78658–78700, 2021, doi: 10.1109/ACCESS.2021.3083060.
[7] A. Aljuhani, “Machine Learning Approaches for Combating Distributed Denial of Service Attacks in Modern Networking Environments”, IEEE Access, vol. 9, pp. 42236–42264, 2021, doi: 10.1109/ACCESS.2021.3062909.
[8] K. J. Singh, K. Thongam, T. De, “Detection and differentiation of application layer DDoS attack from flash events using fuzzy-GA computation”, IET Inf. Secur., vol. 12, no. 6, pp. 502–512, 2018, doi: 10.1049/iet-ifs.2017.0500.
[9] T. Subbulakshmi, S. Mercy Shalinie, A. Ramamoorthi, “Detection and classification of DDOS attacks using machine learning algorithms”, Eur. J. Sci. Res., vol. 47, no. 3, pp. 334–346, 2010, doi: 10.1007/978-3-642-14478-3.
[10] Y. Zhang, P. Tino, A. Leonardis, K. Tang, “A Survey on Neural Network Interpretability”, IEEE Trans. Emerg. Top. Comput. Intell., vol. 5, no. 5, pp. 726–742, 2021, doi: 10.1109/TETCI.2021.3100641.
[11] R. E. Spiridonov, V. D. Cvetkov, O. M. Yurchik, “Data mining for social networks open data analysis”, in Proc. 2017 IEEE 2nd Int. Conf. Control Tech. Syst. (CTS), 2017, pp. 395–396, doi: 10.1109/CTSYS.2017.8109578.
[12] R. Biswas and J. Wu, “Optimal Filter Assignment Policy Against Distributed Denial-of-Service Attack”, IEEE Trans. Dependable Secur. Comput., vol. 19, no. 1, pp. 339–352, 2022, doi: 10.1109/TDSC.2020.2987301.
[13] A. Waleed, A. F. Jamali, A. Masood, “Which open-source IDS? Snort, Suricata or Zeek”, Comput. Networks, vol. 213, 2022, doi: 10.1016/j.comnet.2022.109116.
[14] A. Coscia, V. Dentamaro, S. Galantucci, A. Maci, G. Pirlo, “Automatic decision tree-based NIDPS ruleset generation for DoS/DDoS attacks”, J. Inf. Secur. Appl., vol. 82, p. 103736, 2024, doi: 10.1016/j.jisa.2024.103736.
[15] N. S. Naz, S. Abbas, M. A. Khan, B. Abid, N. Tariq, M. F. Khan, “Efficient load balancing in cloud computing using multi-layered Mamdani fuzzy inference expert system”, Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 3, pp. 569–577, 2019, doi: 10.14569/IJACSA.2019.0100373.
[16] M. Gohil and S. Kumar, “Evaluation of Classification algorithms for Distributed Denial of Service Attack Detection”, in Proc. 2020 IEEE 3rd Int. Conf. Artif. Intell. Knowl. Eng. (AIKE), 2020, pp. 138–141, doi: 10.1109/AIKE48582.2020.00028.
[17] J. J. Praba and R. Sridaran, “An SDN-based Decision Tree Detection (DTD) Model for Detecting DDoS Attacks in Cloud Environment”, Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 7, pp. 54–64, 2022, doi: 10.14569/IJACSA.2022.0130708.
[18] G. Lucky, F. Jjunju, A. Marshall, “A Lightweight Decision-Tree Algorithm for detecting DDoS flooding attacks”, in Proc. Companion 2020 IEEE 20th Int. Conf. Softw. Qual. Reliab. Secur. (QRS-C), 2020, pp. 382–389, doi: 10.1109/QRS-C51114.2020.00072.
[19] M. I. Kareem and M. N. Jasim, “DDOS Attack Detection Using Lightweight Partial Decision Tree algorithm”, in Proc. 2nd 2022 Int. Conf. Comput. Sci. Softw. Eng. (CSASE), 2022, pp. 362–367, doi: 10.1109/CSASE51777.2022.9759824.
[20] B. M. Kalema and V. V. Busobozi, Big Data Analytics for Data Quality Improvement to Enhance Evidence-Based Health Care in Developing Countries, 2020, doi: 10.1007/978-981-13-8253-6_4.
[21] C. O. Tinubu, A. S. Sodiya, O. A. Ojesanmi, E. O. Adeleke, A. O. Adebowale, “DT-Model: a classification model for distributed denial of service attacks and flash events”, Int. J. Inf. Technol., vol. 14, no. 6, pp. 3077–3087, 2022, doi: 10.1007/s41870-022-00946-5.
[22] Y. Chen, J. Pei, D. Li, “DETPro: A High-Efficiency and Low-Latency System Against DDoS Attacks in SDN Based on Decision Tree”, in IEEE Int. Conf. Commun., 2019, pp. 1–6, doi: 10.1109/ICC.2019.8761580.
[23] V. G. Costa and C. E. Pedreira, “Recent advances in decision trees: an updated survey”, vol. 56, no. 5, Springer Netherlands, 2023, doi: 10.1007/s10462-022-10275-5.
[24] I. Singh, S. K. Singh, R. Singh, S. Kumar, “Efficient Loop Unrolling Factor Prediction Algorithm using Machine Learning Models”, in 2022 3rd Int. Conf. Emerg. Technol. (INCET), 2022, pp. 1–8, doi: 10.1109/INCET54531.2022.9825092.
[25] N. Nedjah, G. Martínez Pérez, B. B. Gupta, Eds., Lecture Notes in Networks and Systems 599: International Conference on Cyber Security, Privacy and Networking (ICSPN 2022), 2022.