دانلود پاورپوینت مقاله شناسایی حمله DoS با نرخ پایین بر اساس شبکه های عصبی

در حال حاضر، تحقیقات انجام شده در مورد تشخیص LDoS چندان کامل نیست. اکثر روش‌های تشخیص بر تکنیک‌های آنالیز سیگنال متمرکز هستند و به جای ترافیک واقعی شبکه، برروی شبیه‌سازها تأیید می‌شوند. با توجه به اینکه، حملات LDoS را می توان به عنوان الگوهای پیچیده تلقی نمود، برای استخراج خودکار ویژگی های حملات LDoS و تشخیص نقطه به نقطه می توان از فناوری یادگیری عمیق استفاده نمود. برای غلبه بر کاستی‌های روش‌های سنتی تجزیه و تحلیل سیگنال در تشخیص حملات LDoS، یک روش تشخیص حمله LDoS  براساس شبکه‌های عصبی عمیق ترکیبی مبتنی بر شبکه عصبی پیچشی یک‌بعدی (CNN) و واحد بازگشتی دروازه‌ای (GRU) ارائه شده‌است. ما ترافیک شبکه را از سناریوهای واقعی تشخیص داده و ارزیابی دقیقی را انجام می دهیم. همچنین، ترافیک واقعی کاربر را از وب سایت یک دانشگاه جمع آوری کرده و بخشی را که حاوی حملات DoS نیست به عنوان ترافیک قانونی انتخاب می کنیم. سپس از یک سیستم نفوذی و قانونی برای تشخیص  انواع حملات LDoS در وب سایت برگرفته شده از وب سایتهای دیگر استفاده نموده و ترافیک حاوی حملات LDoS را تشخیص می دهیم. با تحلیل ترافیک تشخیص داده شده، می توانیم روش تشخیص پیشنهادی را ارزیابی کنیم.

حملات انکار سرویس با نرخ پایین (LDoS) دارای پنهان سازی قوی هستند. اگرچه روش‌های سنتی آنالیز سیگنال می‌توانند حملات LDoS را در محیط شبیه‌سازی تشخیص دهند، نتایج تشخیص در سناریوهای واقعی قانع کننده نیستند. در این مقاله، یک روش تشخیص حمله LDoS مبتنی بر شبکه‌های عصبی عمیق ترکیبی با استفاده از شبکه عصبی پیچشی یک‌بعدی و واحد بازگشتی دروازه‌ ای ارائه شده‌است. روش پیشنهادی تنها نیازمند آمار زمان ترافیک شبکه برای تشخیص حملات LDoS است. برای ارزیابی واقعی و مؤثر روش پیشنهادی، ما ترافیک قانونی واقعی را از یک وب سایت در مرکز داده شناسایی کرده و انواع حملات LDoS واقعی را در وب سایت برگرفته از وبسایت دیگر در محیط آزمایشگاهی انجام دادیم تا ترافیک حمله را شناسایی کنیم. ارزیابی بر روی مجموعه داده واقعی نشان داد که روش تشخیص حمله LDoS پیشنهادی می‌تواند به طور موثر حملات LDoS را در ترافیک متغیر HTTP با میانگین نرخ تشخیص 98.68٪ تشخیص دهد که به طور قابل ملاحظه ای نسبت به روش‌های تشخیص پیشرفته از عملکرد بهتری برخوردار است.

این پاورپوینت در 20 اسلاید آماده شده و در ادامه نیز، اسلاید شماره 16 آن قرار داده شده است: