دانلود ترجمه مقاله روش تشخیص حمله DDoS مبتنی بر MLP با فیدبک و انتخاب ویژگی

1. مقدمه 2. کارهای مرتبط 3. تشریح مساله 4. طراحی روش پیشنهادی 5. آزمایش و بحث و بررسی 6. نتیجه گیری

چکیده – حمله انکار سرویس توزیع شده (DDoS)، یک مساله امنیت شبکه رایج و سرسخت می باشد. روش های مختلف مبتنی بر یادگیری ماشین، برای تشخیص چنین حملاتی پیشنهاد شده اند. طبق بررسی های ما، مشخصه های به کار گرفته شده برای توصیف حملات، معمولا بر طبق برخی درک های شخصی و به صورت دستی انتخاب شده و انتظار می رود که مدل تشخیص نیز همیشه عملکرد تعمیم خوبی را در تشخیص های عملی ارائه دهد. بنابراین، نحوه انتخاب ویژگی های بهینه که بهترین عملکرد را نشان می دهد، یک مساله بحرانی و مهم برای ساخت یک ردیاب موثر و کارآمد می باشد. در همین حال، برخی از ویژگی های اصلی ممکن است قادر به مشخص سازی ترافیک فعلی نبوده و خرابی ردیاب نیز در زمان تغییرات ترافیک، رخ دهد. در این مقاله، ما پرسپترون چند لایه ای (MLP) را برای درک و حل مساله پیشنهادی، انتخاب کرده ایم. در این راه حل، ما انتخاب ویژگی متوالی را با MLP ترکیب کرده ایم تا ویژگی های بهینه را در طول فازهای آموزشی انتخاب کنیم و یک مکانیزم فیدبک و بازخورد را نیز برای بازسازی ردیاب در زمان درک خطاهای تشخیص قابل ملاحظه به صورت دینامیکی طراحی کرده ایم. نهایتا، اثربخشی روش را تایید کرده و با کارهای مرتبط دیگر، مقایسه کرده ایم. نتایج نشان می دهند که روش ما می تواند عملکرد تشخیص خوبی را ارائه داده و ردیاب را هنگامی که عملکرد ضعیفی داشته باشد، اصلاح نماید.

Distributed Denial of Service (DDoS) attack is a stubborn network security problem. Various machine learning-based methods have been proposed to detect such attacks. According to our survey, the features used to characterize the attack are usually selected manually according to some personal understanding, and the detection model is expected to perform good generalization performance in practical detection all the time. Therefore, how to select the optimal features that perform the best performance is a critical problem for constructing an effective detector. Meanwhile, as network traffic gets increasingly complex and changeable, some original features may become incapable of characterizing current traffic, and detector failure could occur when traffic changes. In this paper, we chose the multilayer perceptrons (MLP) to demonstrate and solve the proposed problem. In our solution, we combined sequential feature selection with MLP to select the optimal features during the training phase and designed a feedback mechanism to reconstruct the detector when perceiving considerable detection errors dynamically. Finally, we validated the effectiveness of our method and compared it with some related works. The results showed that our method could yield comparable detection performance and correct the detector when it performed poorly.