DDOS attack detection by control charts
Kontrol çizelgeleri ile DDOS ataklarinin tespiti
- Tez No: 599287
- Danışmanlar: PROF. EMİN ANARIM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
DDoS saldırıları, günümüzün siber dünyasında ana tehditler olarak kabul edilmektedir. Bu tehditlerin kaynağının çoğu zaman belirsiz olması, birçok şebeke operatörünün endişelerini artırmaktadır. Altyapıya bağımlı iş süreçleri olumsuz etkilendiğinden şirketler finansal kayıplara maruz kalmaktadır. Bu tür saldırılar, güvenliğin bileşenlerini; gizlilik, bütünlük ve kullanılabilirliği ihlal ederek kaynakları yasal kullanıcılar tarafından kullanılamaz hale getirmekte ve kaynakların kontrollerini ele geçirmektedir. Ancak, DDoS saldırılarının üstesinden gelmek için, birçok teknik, bu tehditlerin farkındalığına sahip olan araştırmacılar tarafından geliştirilmektedir. Bu çalışmada, DDoS saldırılarının tespiti için, normal ve weibull dağılımlarına sahip veri kümelerinin kümülatif toplama modellerini karşılaştırdık. Hping DDoS aracını kullanarak elde ettiğimiz iki veri setine Tabular CUSUM ve V-mask CUSUM yöntemlerini uyguladık. Bu tekniklerin, atak trafiğinde TCP syn paketlerinin sayısal degişikliklerinin algılanmasında etkili olduğunu gördük. Tabular CUSUM ve V-mask CUSUM tekniklerinin doğruluk oranlarının karşılaştırılması için Alıcı İşletim Karakteristik (ROC) eğrilerini kullandık. Ortalama Çalışma Uzunluğu (ARL) ile EWMA ve CUSUM kontrol çizelgelerinin performans analizini yaptık. Son olarak, yine bu kontrol çizelgelerinin performansını değerlendirmede kullanılan tahmin kalıntılarını elde etmek için Otoregressif Entegre Hareketli Ortalama (ARIMA) tahmin modelini uyguladık.
Özet (Çeviri)
Distributed Denial of Service (DDoS) attacks are considered as the major threats in today's cyberworld. The fact that the source of these threats is often uncertain increases the concerns of many network operators. These types of attacks exhaust the resources to make them unavailable for the legitimate users and they take control over remote hosts. Infrastructure dependent business processes are adversely affected so that companies suffer financial losses. They are violating the security components of information security; confidentiality, integrity and availability. However, many techniques to overcome DDoS attacks have been developing by researchers who have the awareness of these threats. In this thesis, in order to detect DDoS attacks, we first compared cumulative summation patterns of datasets which have normal and weibull distributions. We applied Tabular CUSUM and V-mask CUSUM methods to two datasets which we maintained at Boğaziçi University by using hping DDoS tool. It was found that these techniques can be applied to detect the anomalies of DDoS attack traffic by analyzing numerical changes of SYN packets during the process. The comparison of the accuracy rates of Tabular CUSUM and V-mask CUSUM techniques was made by Receiver Operating Characteristic (ROC) curves. We made a performance analysis of EWMA and CUSUM control charts evaluating Average Run Length (ARL) approximation. Finally, the Autoregressive Integrated Moving Average (ARIMA) forecasting model was applied in order to obtain the forecasting residuals which are also utilized in the performance evaluation of these two control charts.
Benzer Tezler
- Machine learning based DDOS attack detection for software-defined networks
Yazılım tanımlı ağlar için makine öğrenme esaslı DDOS attack algılama
DOUGLAS OMURO MAKORI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. SEÇKİN ARI
- Çevrimiçi sistemlerde makine öğrenme yöntemi ile dağıtılmış hizmet reddi (DDoS) saldırılarının tespiti
Distributed denial of service (DDoS) attacks detection by usingmachine learning methods on online systems
DİLEK BAŞKAYA
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REFİK SAMET
- An open-source, machine learning based intrusion detection system
Makı̇na öğrenmesı̇ tabanlı açık kaynak kodlu saldırı tespı̇t sı̇stemı̇
ZEMRE ARSLAN TÜVER
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. ENVER ÖZDEMİR
- Distributed detection of ddos attacks in machine learning-enabled software defined networks
Başlık çevirisi yok
ALİ CAN FİDANCI
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiPolıtecnıco Dı MılanoPROF. FRANCESCO MUSUMECİ
PROF. MASSİMO TORNATORE
- Detection of ddos attacks based on entropy-pca in SDN
SDN'de entropi-pca'ya dayalı ddos saldırılarının tespiti
HASEN HADI SADIQ AL-MOMIN
Yüksek Lisans
İngilizce
2020
Bilim ve TeknolojiAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
Assist. Prof. ABDULLAHI ABDU IBRAHIM