دانلود مقاله دفاع عمیق:شناسایی حمله DDOS از طریق اموزش عمیق
تعداد کلمات فایل انگلیسی:6200 کلمه 8 صفحه pdf
تعداد صفحات فایل ترجمه:19 صفحه فایل pdf
دفاع عمیق:شناسایی حمله DDOS از طریق اموزش عمیق
چکیده
حملات متع سوریس توزیع شده DDOS به سرعت در حال افزایش هستند و به یکی از تهدیدات مرگبار اینترنت تبدیل شده اند.تشخیص خودکار بسته های حمله DDOS یکی از مکانیسم های اصلی دفاع است.راه حل های متعارف بر ترافیک شبکه نظارت کرده و فعالیت های حمله از ترافیک قانونی شبکه بر اساس اختلاف اماری را شناسایی میکنند.یادگیری ماشین روش دیگری برای بهبود عملکرد شناسایی بر اساس ویژگی های اماری است.با این حال روش های یادگیری ماشین رایج توسط مدل های ارائه سطحی محدود میشوند.در این مقاله یک روش تشخیص حمله DDOS مبتنی بر یادگیری عمیق را پیشنهاد میکنیم.رویکرد یاد گیری عمیق می تواند به ظور خودکار ویگژگی های سطح بالا را از سطوح پایین تر استخراج کرده و ارائه و استنباط قدرتمندی را بدست اورد. ما یک شبکه عصبی عمیق مکرر برای یادگیری الگوها از توالی ترافیک شبکه و ردیابی فعالیت های حمله شبکه طراحی کرده ایم.نتایج تجربی نشان دهنده ی عملکرد بهتر مدل ما در مقایسه با مدل یادگیری ماشین متعارف است.ما میزان خطارا از 7/715 درصد به 2.103 درصد در مقایسه با روش یادگیری ماشین متعارف در مجموعه داده های بزرگتر کاهش داده ایم.
کلمات کلیدی:جملهDDOS:یادگیری عمیق:شبکه عصبی مکرر LSTM
DeepDefense: Identifying DDoS Attack via Deep Learning
Abstract
Distributed Denial of Service (DDoS) attacks grow rapidly and become one of the fatal threats to the Internet. Automatically detecting DDoS attack packets is one of the main defense mechanisms. Conventional solutions monitor network traffic and identify attack activities from legitimate network traffic based on statistical divergence. Machine learning is another method to improve identifying performance based on statistical features. However, conventional machine learning techniques are limited by the shallow representation models. In this paper, we propose a deep learning based DDoS attack detection approach (called DeepDefense). Deep learning approach can automatically extract high-level features from low-level ones and gain powerful representation and inference. We design a recurrent deep neural network to learn patterns from sequences of network traffic and trace network attack activities. The experimental results demonstrate better performance of our model compared with conventional machine learning models. We reduce the error rate from 7.517% to 2.103% compared with conventional machine learning method in the larger data set.
KEYWORDS: DDoS attack; deep learning; recurrent neural network; LSTM
کد:kh 19
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله دفاع عمیق:شناسایی حمله DDOS از طریق اموزش عمیق
تعداد کلمات فایل انگلیسی:6200 کلمه 8 صفحه pdf
تعداد صفحات فایل ترجمه:19 صفحه فایل pdf
دفاع عمیق:شناسایی حمله DDOS از طریق اموزش عمیق
چکیده
حملات متع سوریس توزیع شده DDOS به سرعت در حال افزایش هستند و به یکی از تهدیدات مرگبار اینترنت تبدیل شده اند.تشخیص خودکار بسته های حمله DDOS یکی از مکانیسم های اصلی دفاع است.راه حل های متعارف بر ترافیک شبکه نظارت کرده و فعالیت های حمله از ترافیک قانونی شبکه بر اساس اختلاف اماری را شناسایی میکنند.یادگیری ماشین روش دیگری برای بهبود عملکرد شناسایی بر اساس ویژگی های اماری است.با این حال روش های یادگیری ماشین رایج توسط مدل های ارائه سطحی محدود میشوند.در این مقاله یک روش تشخیص حمله DDOS مبتنی بر یادگیری عمیق را پیشنهاد میکنیم.رویکرد یاد گیری عمیق می تواند به ظور خودکار ویگژگی های سطح بالا را از سطوح پایین تر استخراج کرده و ارائه و استنباط قدرتمندی را بدست اورد. ما یک شبکه عصبی عمیق مکرر برای یادگیری الگوها از توالی ترافیک شبکه و ردیابی فعالیت های حمله شبکه طراحی کرده ایم.نتایج تجربی نشان دهنده ی عملکرد بهتر مدل ما در مقایسه با مدل یادگیری ماشین متعارف است.ما میزان خطارا از 7/715 درصد به 2.103 درصد در مقایسه با روش یادگیری ماشین متعارف در مجموعه داده های بزرگتر کاهش داده ایم.
کلمات کلیدی:جملهDDOS:یادگیری عمیق:شبکه عصبی مکرر LSTM
DeepDefense: Identifying DDoS Attack via Deep Learning
Abstract
Distributed Denial of Service (DDoS) attacks grow rapidly and become one of the fatal threats to the Internet. Automatically detecting DDoS attack packets is one of the main defense mechanisms. Conventional solutions monitor network traffic and identify attack activities from legitimate network traffic based on statistical divergence. Machine learning is another method to improve identifying performance based on statistical features. However, conventional machine learning techniques are limited by the shallow representation models. In this paper, we propose a deep learning based DDoS attack detection approach (called DeepDefense). Deep learning approach can automatically extract high-level features from low-level ones and gain powerful representation and inference. We design a recurrent deep neural network to learn patterns from sequences of network traffic and trace network attack activities. The experimental results demonstrate better performance of our model compared with conventional machine learning models. We reduce the error rate from 7.517% to 2.103% compared with conventional machine learning method in the larger data set.
KEYWORDS: DDoS attack; deep learning; recurrent neural network; LSTM
کد:kh 19
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com