Training Machine Learning Algorithms to Detect Distributed Denial of Service Attacks
الباحث(ون):
Mohamed Sasi Manita
Ahmed Ibrahim Suleiman
المؤسسة:
College of Computer Technology, Zawia, Libya University of Zawia, Zawia, Libya
المجال:
علوم الحاسوب و النظم الخبيرة وتقنية المعلومات
منشور في:
العدد الرابع والثلاثون - يوليو 2024
الملخص
في وقتنا الحالي أصبحت الهجمات السيبرانية (الهجمات الضارة على الانترنت) أكثر تعقيدًا مما يشكل تهديدًا خطيرًا على العديد من المؤسسات والأفراد في مجتمعنا والتي تعتمد في أعمالها بشكل أساسي على تقديم خدماتها عبر الانترنت. من أمثلة هذه الهجمات هو هجوم رفض الخدمة الموزعة اختصارا (DDoS)حيث يعتبر هذا النوع من الهجمات تهديدًا خطيرًا لهذه الشركات والمؤسسات .وذلك لتمكن الاشخاص الذين يوجهوا هذا النوع من الهجمات من الوصول الي مراكز بيانات هذه المؤسسات واختراق أنظمتها وتعطيلها. فعند تعرض خوادم هذه الشركات الى هجمات متمثلة بتوجيه كمية كبيرة من طلبات الخدمة الاحتيالية الامر الذي يجعلها غير قادرة على تقديم الخدمة للمستخدمين الشرعيين، كما أن من أضرارهذا النوع الهجمات والمتعارف عليه اصطلاحا (هجمات رفض الخدمة الموزعة (DDoS) ) أنه يسبب في عدم توفر خدمة الويب (عدم القدرة على الوصول لمركز الخدمة على الانترنت) لفترة زمنية غير متوقعة. مما يسبب في انهيار سمعة هذه الشركات وايضا خسائر مالية كبيرة لها. مما سبق ذكره وللمساعدة في التقليل من خطر هذا النوع من الهجمات تقدم هذه الورقة تحليلاً مقارنًا لخوارزمياتتعلم الآلة(ML)الشائعة، بما في ذلك (Logistic Regression) و(Random Forest) و(Neural Network)،حيث سيتم استخدام بيانات حقيقية لأحد الهجمات وتعليمها لهذه الخوارزميات ليتم تصنيفها ومعرفة الطلبات الحقيقية من الهجمات وبالتالي استخدامها في المستقبل لاكتشاف هذه الهجمات في وقت مبكرا ليتم التعامل معها. أخيرا تتضمن هذه الدراسة تحليلا للبيانات الرقمية والرسوم البيانية ذات الصلة لتقديم رؤى حول فعالية تقنيات تعلم الآلة المختلفة للكشف عن هجمات DDoS.
Abstract
Abstract
Cyber-attacks are becoming more and more sophisticated, posing a serious threat to our technologically dependent society. Such an attack is the Distributed Denial of Service (DDoS) attack, which is becoming a serious threat to businesses that have integrated their technology with public networks since they enable numerous attackers to obtain data or provide services to major corporations or nations. When a company's servers are overloaded with fraudulent requests while legitimate users' requests are denied, Distributed Denial of Service (DDoS) attacks disrupt Web service availability for an arbitrary amount of time. This results in financial losses since services are rendered unavailable. This paper provides a comparative analysis of popular ML algorithms, including Logistic Regression, Random Forest, and Neural Network, in terms of their effectiveness in DDoS attack detection. Along with a comprehensive evaluation of its performance. The study incorporates numerical data analysis and relevant diagrams to offer insights into the comparative efficacy of different ML techniques for DDoS attack detection........
Keywords:.... DDoS attacks, machine learning, random forest, Logistic Regression, Neural Network.
