بازگشت به جستجو

در مورد حملات DDoS آگاه از زمینه با استفاده از شبکه های مولد عمیق

عنوان	در مورد حملات DDoS آگاه از زمینه با استفاده از شبکه های مولد عمیق
نویسنده	گورسون، گونجا، شنسوی، مورات، کاندمیر، ملیح
تاریخ انتشار:	2018-10
محل انتشار	- IEEE
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	978-153865156-8
شماره ثبت	b8799ea8-7081-421c-968a-35c040f4fa76
محل کتابخانه	علوم کامپیوتر
تاریخ	2018-10
متن نمونه	حملات انکار سرویس توزیع شده (DDoS) همچنان یکی از شدیدترین تهدیدات در اینترنت است. چالش ذاتی در جلوگیری از حملات DDoS این است که آنها را از فلش‌های مشروع متمایز کنیم زیرا این دو دارای ویژگی‌های ترافیکی مشترک هستند. امروزه بیشتر تکنیک‌های تشخیص DDoS بر یافتن تفاوت‌های پارامتریک بین الگوهای حمله و ترافیک قانونی تمرکز دارند. با این حال، چنین تکنیک‌هایی نسبت به مقادیر آستانه تعیین‌شده روی پارامترها بسیار حساس هستند و مهم‌تر از آن، ویژگی‌های ترافیک قانونی ممکن است توسط مهاجمان هوشمند تقلید شود تا درخواست‌هایی را ایجاد کنند که به نظر می‌آیند فلش جمع می‌شوند. در این مقاله، ما چارچوبی برای آموزش شبکه‌ها برای چنین حملات هوشمندی پیشنهاد می‌کنیم. چارچوب ما مبتنی بر مدل‌های Deep Generative Network است و مشارکت‌های ما دوگانه است. ابتدا نشان می‌دهیم که ویژگی‌های ترافیک قانونی را می‌توان بدون مدل‌سازی صریح توزیع آن‌ها تقلید کرد. دوم، ما مفهوم حملات DDoS آگاه از زمینه را معرفی می کنیم. ما نشان می‌دهیم که یک مهاجم می‌تواند ترافیکی ایجاد کند که به نظر می‌رسد شبیه به فلش جمعیت است تا برای مدت طولانی قابل شناسایی نباشد. با این حال، توانایی ایجاد چنین حملاتی توسط بودجه مهاجم محدود می شود. یک مهاجم آگاه از زمینه، مهاجمی است که می تواند به طور هوشمندانه از بودجه خود برای به حداکثر رساندن آسیب در شبکه قربانی استفاده کند. مطالعه ما چارچوبی برای آموزش شبکه‌ها برای سناریوهای حمله DDoS فراهم می‌کند.
DOI	10.1109/ICCCN.2018.8487336

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

در مورد حملات DDoS آگاه از زمینه با استفاده از شبکه های مولد عمیق

نویسنده گورسون، گونجا، شنسوی، مورات، کاندمیر، ملیح

تاریخ انتشار 2018-10

محل انتشار - IEEE

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 978-153865156-8

شماره ثبت b8799ea8-7081-421c-968a-35c040f4fa76

محل کتابخانه علوم کامپیوتر

تاریخ 2018-10

متن نمونه حملات انکار سرویس توزیع شده (DDoS) همچنان یکی از شدیدترین تهدیدات در اینترنت است. چالش ذاتی در جلوگیری از حملات DDoS این است که آنها را از فلش‌های مشروع متمایز کنیم زیرا این دو دارای ویژگی‌های ترافیکی مشترک هستند. امروزه بیشتر تکنیک‌های تشخیص DDoS بر یافتن تفاوت‌های پارامتریک بین الگوهای حمله و ترافیک قانونی تمرکز دارند. با این حال، چنین تکنیک‌هایی نسبت به مقادیر آستانه تعیین‌شده روی پارامترها بسیار حساس هستند و مهم‌تر از آن، ویژگی‌های ترافیک قانونی ممکن است توسط مهاجمان هوشمند تقلید شود تا درخواست‌هایی را ایجاد کنند که به نظر می‌آیند فلش جمع می‌شوند. در این مقاله، ما چارچوبی برای آموزش شبکه‌ها برای چنین حملات هوشمندی پیشنهاد می‌کنیم. چارچوب ما مبتنی بر مدل‌های Deep Generative Network است و مشارکت‌های ما دوگانه است. ابتدا نشان می‌دهیم که ویژگی‌های ترافیک قانونی را می‌توان بدون مدل‌سازی صریح توزیع آن‌ها تقلید کرد. دوم، ما مفهوم حملات DDoS آگاه از زمینه را معرفی می کنیم. ما نشان می‌دهیم که یک مهاجم می‌تواند ترافیکی ایجاد کند که به نظر می‌رسد شبیه به فلش جمعیت است تا برای مدت طولانی قابل شناسایی نباشد. با این حال، توانایی ایجاد چنین حملاتی توسط بودجه مهاجم محدود می شود. یک مهاجم آگاه از زمینه، مهاجمی است که می تواند به طور هوشمندانه از بودجه خود برای به حداکثر رساندن آسیب در شبکه قربانی استفاده کند. مطالعه ما چارچوبی برای آموزش شبکه‌ها برای سناریوهای حمله DDoS فراهم می‌کند.

DOI 10.1109/ICCCN.2018.8487336