Обнаружение низкоинтенсивных DoS атак с помощью применения комбинированной нейронной сети с использованием алгоритма анализа уровня DoS атаки

  • Artem Sergeevich Turashev Московский государственный университет имени М.В. Ломоносова http://orcid.org/0000-0001-8391-4948
  • Vladimir Alexandrovich Sukhomlin Московский государственный университет имени М.В. Ломоносова; Федеральный исследовательский центр "Информатика и управление" Российской академии наук http://orcid.org/0000-0001-9468-7138

Аннотация

Рост количества и сложности атак на доступ к информации – это одна из основных проблем в сфере web-преступлений сегодня. Эти вторжения образуют класс атак типа «отказ в обслуживании». DoS атака – атака, осуществляемая для того, чтобы довести систему до отказа в работе. Происходит генерация огромного количества трафика, из-за которого происходит перезагрузка сервера, что в дальнейшем приводит к его блокировке. Обычно часто атакуемыми ресурсами являются: ширина канала, процессорное время серверов и роутеров и пр. В целях минимизации последствий таких атак применяется широкий набор механизмов. Одним из этих средств является метод обнаружения вторжений. Однако, при выявлении низкоинтенсивных атак (low-rate-DoS) некоторые способы обнаружения атак, основанные на стандартных статистических методах, показывают достаточно низкий результат. В данной ситуации нейронные сети выступают в качестве решения проблемы. Они используются практически во всех средствах обнаружения атак как отдельно, так и с другими механизмами защиты.
В данной статье приведено описание разработки и экспериментальное исследование эффективности метода обнаружения низкоинтенсивных атак типа отказ в обслуживании (low-rate-DoS) и внедрение в него разработанного алгоритма анализа уровня DoS атаки. В приведенной работе используется модель низкоинтенсивных атак в виде одновременного наложения сетевых событий и аномального трафика. Суть метода заключается в выделении однородных групп временного ряда с помощью моделей распознавания образов и построения для каждой конкретной группы модели прогнозирования для обнаружения сценария атаки.

Сведения об авторах

Artem Sergeevich Turashev, Московский государственный университет имени М.В. Ломоносова

студент факультета вычислительной математики и кибернетики

Vladimir Alexandrovich Sukhomlin, Московский государственный университет имени М.В. Ломоносова; Федеральный исследовательский центр "Информатика и управление" Российской академии наук

заведующий лабораторией открытых информационных технологий факультета вычислительной математики и кибернетики; ведущий научный сотрудник Института проблем информатики Российской академии наук, доктор технических наук, профессор

Литература

1. Wu Z., Yue M., Li D., Xie K. SEDP-based detection of low-rate DoS attacks. International Journal of Communication Systems. 2014;28(11):1772-1788. doi: https://doi.org/10.1002/dac.2783C
2. Fu Y., Duan X., Wang K., Li B. Low-rate Denial of Service attack detection method based on time-frequency characteristics. Journal of Cloud Computing. 2022;11:31. doi: https://doi.org/10.1186/s13677-022-00308-3
3. Liu L., Wang H., Wu Z., Yue M. The detection method of low-rate DoS attack based on multi-feature fusion. Digital Communications and Networks. 2020;6(4):504-513. doi: https://doi.org/10.1016/j.dcan.2020.04.002
4. Alashhab A.A., Zahid M.S.M., Azim M.A., Daha M.Y., Isyaku B., Ali S. A Survey of Low Rate DDoS Detection Techniques Based on Machine Learning in Software-Defined Networks. Symmetry. 2022;14(8):1563. doi: https://doi.org/10.3390/sym14081563
5. Zhan S., Tang D., Man J., Dai R., Wang X. Low-Rate DoS Attacks Detection Based on MAF-ADM. Sensors. 2020;20(1):189. doi: https://doi.org/10.3390/s20010189
6. Zhou L., Liao M., Yuan C., Zhang H. Low-Rate DDoS Attack Detection Using Expectation of Packet Size. Security and Communication Networks. 2017;2017:3691629. doi: https://doi.org/10.1155/2017/3691629
7. Cheng J., Yin J., Wu C., Zhang B., Liu Y. DDoS Attack Detection Method Based on Linear Prediction Model. In: Huang D.S., Jo K.H., Lee H.H., Kang H.J., Bevilacqua V. (Eds.) Emerging Intelligent Computing Technology and Applications. ICIC 2009. Lecture Notes in Computer Science. Vol. 5754. Berlin, Heidelberg: Springer; 2009. p. 1004-1013. doi: https://doi.org/10.1007/978-3-642-04070-2_106
8. Shevtekar A., Ansari N. A Proactive Test Based Differentiation Technique to Mitigate Low Rate DoS Attacks. In: 2007 16th International Conference on Computer Communications and Networks. Honolulu, HI, USA: IEEE Computer Society; 2007. p. 639-644. doi: https://doi.org/10.1109/ICCCN.2007.4317889
9. van der Maaten L.J.P., Hinton G.E. Visualizing Data using t-SNE. Journal of Machine Learning Research. 2008;9(86):2579-2605. Available at: https://www.jmlr.org/papers/v9/vandermaaten08a.html (accessed 11.07.2022).
10. Velliangiri S., Alagumuthukrishnan S., Iwin Thankumar joseph S. A Review of Dimensionality Reduction Techniques for Efficient Computation. Procedia Computer Science. 2019;165:104-111. doi: https://doi.org/10.1016/j.procs.2020.01.079
11. Mizuta M. Dimension Reduction Methods. In: Gentle J., Härdle W., Mori Y. (Eds.) Handbook of Computational Statistics. Springer Handbooks of Computational Statistics. Berlin, Heidelberg: Springer; 2012. p. 619-644. doi: https://doi.org/10.1007/978-3-642-21551-3_22
12. Awad M., Khanna R. Machine Learning. In: Efficient Learning Machines. Berkeley, CA: Apress; 2015. p. 1-18. doi: https://doi.org/10.1007/978-1-4302-5990-9_1
13. Zhang N., Jaafar F., Malik Y. Low-Rate DoS Attack Detection Using PSD Based Entropy and Machine Learning. In: 2019 6th IEEE International Conference on Cyber Security and Cloud Computing (CSCloud)/ 2019 5th IEEE International Conference on Edge Computing and Scalable Cloud (EdgeCom). Paris, France: IEEE Computer Society; 2019. p. 59-62. doi: https://doi.org/10.1109/CSCloud/EdgeCom.2019.00020
14. Tang D., Dai R., Tang L., Li X. Low-rate DoS attack detection based on two-step cluster analysis and UTR analysis. Human-centric Computing and Information Sciences. 2020;10(1):6. doi: https://doi.org/10.1186/s13673-020-0210-9
15. Prakash A., Satish M., Sri Sai Bhargav T., Bhalaji N. Detection and Mitigation of Denial of Service Attacks Using Stratified Architecture. Procedia Computer Science. 2016;87:275-280. doi: https://doi.org/10.1016/j.procs.2016.05.161
16. Brugger D., Bogdan M., Rosenstiel W. Automatic Cluster Detection in Kohonen's SOM. IEEE Transactions on Neural Networks. 2008;19(3):442-459. doi: https://doi.org/10.1109/TNN.2007.909556
17. Jun J.-H., Ahn C.-W., Kim S.-H. DDoS attack detection by using packet sampling and flow features. In: Proceedings of the 29th Annual ACM Symposium on Applied Computing (SAC '14). New York, NY, USA: Association for Computing Machinery; 2014. p. 711-712. doi: https://doi.org/10.1145/2554850.2555109
18. Saied A., Overill R.E., Radzik T. Detection of known and unknown DDoS attacks using Artificial Neural Networks. Neurocomputing. 2016;172:385-393. doi: https://doi.org/10.1016/j.neucom.2015.04.101
19. Özçelik I., Brooks R.R. Deceiving entropy based DoS detection. Computers & Security. 2015;48:234-245. doi: https://doi.org/10.1016/j.cose.2014.10.013
20. Alzahrani R.J., Alzahrani A. Security Analysis of DDoS Attacks Using Machine Learning Algorithms in Networks Traffic. Electronics. 2021;10(23):2919. doi: https://doi.org/10.3390/electronics10232919
21. Alexis Fidele K., Suryono, Amien Syafei W. Denial of Service (DoS) attack identification and analyse using sniffing technique in the network environment. E3S Web of Conferences. 2020;2020:15003. doi: https://doi.org/10.1051/e3sconf/202020215003
22. Rios V.D.M., Inácio P.R.M., Magoni D., Freire M.M. Detection and Mitigation of Low-Rate Denial-of-Service Attacks: A Survey. IEEE Access. 2022;10:76648-76668. doi: https://doi.org/10.1109/ACCESS.2022.3191430
23. Agrawal N., Tapaswi S. Low rate cloud DDoS attack defense method based on power spectral density analysis. Information Processing Letters. 2018;138:44-50. doi: https://doi.org/10.1016/j.ipl.2018.06.001
24. Mittal M., Kumar K., Behal S. Deep learning approaches for detecting DDoS attacks: a systematic review. Soft Computing. 2022. doi: https://doi.org/10.1007/s00500-021-06608-1
25. Usha G., Narang M., Kumar A. Detection and Classification of Distributed DoS Attacks Using Machine Learning. In: Smys S., Palanisamy R., Rocha Á., Beligiannis G.N. (Eds.) Computer Networks and Inventive Communication Technologies. Lecture Notes on Data Engineering and Communications Technologies. Vol. 58. Singapore: Springer; 2021. p. 985-1000. doi: https://doi.org/10.1007/978-981-15-9647-6_78
Опубликована
2022-12-20
Как цитировать
TURASHEV, Artem Sergeevich; SUKHOMLIN, Vladimir Alexandrovich. Обнаружение низкоинтенсивных DoS атак с помощью применения комбинированной нейронной сети с использованием алгоритма анализа уровня DoS атаки. Современные информационные технологии и ИТ-образование, [S.l.], v. 18, n. 4, p. 872-877, dec. 2022. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/923>. Дата доступа: 08 oct. 2024 doi: https://doi.org/10.25559/SITITO.18.202204.872-877.
Раздел
Теоретические и прикладные аспекты кибербезопасности

Наиболее читаемые статьи этого автора (авторов)