高速网络DDoS攻击检测:一项调查
Rana M Abdul Haseeb-Ur-Rehman1, Azana Hafizah Mohd Aman1, Mohammad Kamrul Hasan1
1Center for Cyber Security, Faculty of Information Science and Technology, University Kebangsaan Malaysia (UKM), Bangi 43600, Malaysia.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
在高速网络 (HSN) 上检测分布式拒绝服务 (DDoS) 攻击是具有挑战性的. 本文审查了用于提高网络安全和网络物理系统 (CPS) 完整性的机器学习方法.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 网络工程 网络工程
背景情况:
- 大量的设备连接会造成网络漏洞,增加分布式拒绝服务 (DDoS) 攻击的风险.
- DDoS攻击可能会导致大量的财务损失和数据损坏,损害网络物理系统 (CPS) 的完整性.
- 目前的DDoS检测技术往往是无效的,特别是对于高速网络 (HSN),由于快速的数据包处理.
研究的目的:
- 审查和比较各种机器学习 (ML) 方法来检测DDoS攻击.
- 分析ML技术的有效性,如k-means,K-Nearest Neighbors (KNN) 和Naive Bayes (NB) 在入侵检测系统 (IDS) 和基于流量的IDS中.
- 识别挑战,并建议未来的研究方向,在HSN中检测DDoS攻击.
主要方法:
- 对有关检测不规则交通模式的现有文献进行定性分析.
- 在入侵检测系统 (IDS) 和基于流程的IDS中检查机器学习技术 (k-means,KNN,NB).
- 审查数据路径的数据包过及其对HSN性能的影响.
主要成果:
- 目前的DDoS检测方法与高速网络的复杂性作斗争.
- 机器学习技术显示了提高DDoS检测准确性的潜力.
- 详细的DDoS攻击分类和检测技术的分类.
结论:
- 有效的DDoS攻击检测对于网络安全和CPS完整性至关重要.
- 需要进一步的研究来优化基于ML的对高速网络的检测.
- 在HSN中应对DDoS攻击的挑战需要创新的解决方案和持续的调查.
