یک روش یادگیری عمیق مبتنی بر MLP برای تشخیص حملات DDoS

نویسندگان
Ataie, E. ID 1
VASOUJOUYBARI, M. ID 2
Bastam, M. ID 3

1 Department of Computer Engineering, University of Mazandaran, Babolsar, Iran

2 Department of Computer Science, University of Sistan and Baluchestan, Zahedan, Iran

3 Department of Computer Engineering, University of Mazandaran, Babolsar, Iran

doi
10.22034/tjee.2022.15567
چکیده

امروزه، حملات منع سرویس توزیع شده یکی از دغدغه‌های اصلی در امنیت اینترنت محسوب می‌شوند. یادگیری ماشینی را می‌توان برای شناسایی این حملات به کار گرفت. در این مقاله، ما با استفاده از یادگیری ماشینی عمیق، یک مدل پرسپترون چندلایه را ارائه می‌دهیم که امکان تشخیص بین ترافیک مخرب و نرمال را بر اساس الگوهای رفتاری آن‌ها دارد. مدل ارائه شده، با دیتاست CICDDoS2019 آموزش داده شده و تست شده است. با هدف حذف داده‌های نامرتبط و افزونه از دیتاست و نیز افزایش دقت، از «انتخاب وجوه» برای استخراج کارامدترین وجوه برای شناسایی این حملات استفاده شده است. بعلاوه، ما از الگوریتم «جستجوی گرید» برای به دست آوردن مقادیر بهینه هایپرپارامترهای مدل از میان فضای مقادیر پارامترها بهره برده‌ایم. همچنین، حساسیت دقت مدل پیشنهادی به تغییرات یکی از پارامترهای ورودی مورد تحلیل و بررسی قرار گرفته است. در نهایت، اثربخشی مدل پیشنهاد شده در مقایسه با تعدادی از پژوهش‌های روزآمد مورد اعتبارسنجی قرار گرفته است.

کلیدواژه‌ها
منع سرویس توزیع شده, امنیت شبکه, یادگیری ماشینی, پرسپترون چندلایه, CICDDoS2019