دانلود ترجمه مقاله روش تشخیص حمله DoS با نرخ پایین، مبتنی بر شبکه های عصبی

عنوان فارسی :

روش تشخیص حمله DoS با نرخ پایین، مبتنی بر شبکه های عصبی عمیق ترکیبی

عنوان انگلیسی :

Low-rate DoS attack detection method based on hybrid deep neural networks

کلمات کلیدی :

  امنیت شبکه؛ سیستم تشخیص تهاجم؛ DoS با نرخ پایین؛ شبکه عصبی پیچشی؛ واحد بازگشتی دروازه‌ای؛ یادگیری عمیق

درسهای مرتبط : مهندسی کامپیوتر
تعداد صفحات مقاله انگلیسی : 12 نشریه : ELSEVIER
سال انتشار : 2021 تعداد رفرنس مقاله : 40
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
پاورپوینت :

دانلود پاورپوینت مقاله شناسایی حمله DoS با نسبت پایین

وضعیت ترجمه مقاله : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید
ELSEVIER
قیمت دانلود مقاله
49,000 تومان
فهرست مطالب

1. مقدمه 2. مقالات مرتبط 3. مقدمات 4. روش تشخیص پیشنهادی 5. ارزیابی 6. بحث و بررسی 7. نتیجه گیری

ترجمه نمونه متن انگلیسی

چکیده – حملات انکار سرویس با نرخ پایین (LDoS) از درخواست‌هایی با نرخ پایین جهت اشغال منابع شبکه استفاده می کنند و از ویژگی پنهان سازی قوی برخوردار هستند. در تشخیص حملات LDoS در ترافیک قانونی متغیر، روش‌های سنتی تشخیص مبتنی بر تحلیل سیگنال، با چالش‌ هایی همراه هستند. در این مطالعه، یک روش تشخیص حمله LDoS ، براساس شبکه‌های عصبی عمیق ترکیبی با استفاده از شبکه عصبی پیچشی یک‌بعدی و واحد بازگشتی دروازه‌ ای ارائه شده‌است. برای ارزیابی روش تشخیص پیشنهادی در سناریوهای واقعی، ترافیک قانونی واقعی را از وب سایتی در مرکز داده تشخیص داده و انواع حملات LDoS واقعی را بر روی سایت برگرفته شده از سایتهای دیگر در محیط آزمایشگاهی برای تشخیص ترافیک حمله واقعی انجام دادیم. نتایج تشخیص ترافیک واقعی حاکی از آن است که روش تشخیص پیشنهادی، نیازی به استخراج ویژگی‌ها به صورت دستی نداشته و به شکل موثری می‌تواند حملات LDoS را در ترافیک HTTP متغیر با میانگین نرخ تشخیص 98.68٪ شناسایی کند که از MF-DFA یا چگالی طیفی توان مبتنی بر روش های تشخیص موثرتر است. مقدمه: یکی از قدیمی‌ترین حملات اینترنت، حمله انکار سرویس (DoS) است که قدمت آن به سال 1983 باز می گردد [1]. حمله DoS نوعی حمله است که از طریق اشغال بیش از حد پهنای باند شبکه یا منابع رایانه، از دسترسی کاربران قانونی به خدمات ممانعت می‌کند. [2]. امروزه حملات DoS همچنان یکی از اصلی ترین تهدیدات امنیت سایبری محسوب می شوند. مهاجمان DoS سنتی، با سرعت بسیار بالایی بسته‌های شبکه را به سرورهای هدف ارسال کرده و باعث شلوغی شبکه هدف می‌شوند، به گونه ای که درخواست‌های کاربران قانونی رد می‌شوند. به طور مثال، حمله معروف انکار سرویس توزیع شده (DDoS) به صدمات زیادی منجر می شود زیرا مهاجمان معمولاً تعداد زیادی از رایانه ها را کنترل می کنند تا در یک زمان، به هدف مورد نظر حمله کنند [3]. تئوری حمله DDoS ساده است، اما نیازمند حجم زیادی از منابع رایانه است، به طوری که هزینه نسبتاً بالا بوده و ترافیک نرخ بالا به آسانی با پنهان سازی ناکافی قابل تشخیص است. بالعکس، حملات انکار سرویس نرخ پایین (LDoS) می توانند با ایجاد درخواست های قانونی و با نرخ پایین در لایه برنامه، منابع را اشغال کنند. همچنین، برای دستیابی به هدف حملات در مقایسه با حملات DoS سنتی به ترافیک بسیار کمتری نیازمند است [4]. حملات LDoS کم هزینه بوده و دارای پنهان سازی قوی هستند. ترافیک حمله اغلب توسط ترافیک قانونی شبکه سرکوب می شود. در نتیجه، تشخیص حملات LDoS دشوارتر بوده و به چالش‌های جدیدی برای امنیت سایبری منجر می شود.

نمونه متن انگلیسی مقاله

Low-rate Denial of Service (LDoS) attacks use the low-rate requests to achieve the occupation of the network resources and have strong concealment. The traditional signal analysis based detection methods are challenging to detect LDoS attacks in the fluctuating legitimate traffic. In this paper, an LDoS attack detection method based on hybrid deep neural networks is proposed using one-dimensional convolutional neural network and gated recurrent unit. In order to evaluate the proposed detection method in the real scenarios, we captured real legitimate traffic from a website in the datacenter, and carried out a variety of real LDoS attacks on the mirror of the website in the laboratory environment to obtain real attack traffic. The detection results on the real traffic show that the proposed detection method does not need to extract features manually and can effectively detect LDoS attacks in fluctuating HTTP traffic with an average detection rate of 98.68%, which is more advantageous than MF-DFA or power spectral density based detection methods. Introduction: The Denial of Service (DoS) attack is one of the oldest attacks on the Internet that can date back to 1983 [1], and it is a kind of attack that prevents legitimate users from accessing services by over-occupying network bandwidth or computer resources [2]. Nowadays, DoS attacks are still one of the main cybersecurity threats. The traditional DoS attackers send network packets to the target servers at a very high rate, causing the target’s network to be congested, so that the requests from legitimate users’ requests are rejected. For example, the wellknown Distributed Denial of Service (DDoS) attack causes great harm as the attackers usually control a large number of computers to attack the same target at the same time [3]. The theory of DDoS attack is simple, but it requires a large amount of computer resources, so that the cost is relatively high, and the high-rate traffic is easy to detect with inadequate concealment. In contrast, the Low-rate Denial of Service (LDoS) attacks can achieve the occupation of resources by constructing legal and low-rate requests on the application layer. It needs much less traffic to achieve the purpose of the attacks compared to the traditional DoS attacks [4]. LDoS attacks are low-cost and have strong concealment. The attack traffic is often overwhelmed by legitimate network traffic. As a result, the detection of LDoS attacks is more difficult and poses new challenges to cybersecurity.

توضیحات و مشاهده مقاله انگلیسی

ترجمه این مقاله در 26 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.

محتوی بسته دانلودی:

PDF مقاله انگلیسی ورد (WORD) ترجمه مقاله به صورت کاملا مرتب (ترجمه شکل ها و جداول به صورت کاملا مرتب)
قیمت : 49,000 تومان

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود ترجمه مقاله روش تشخیص حمله DoS با نرخ پایین، مبتنی بر شبکه های عصبی”

نشانی ایمیل شما منتشر نخواهد شد.

1 × چهار =

مقالات ترجمه شده

مجوز نماد اعتماد الکترونیکی

پشتیبانی