ОГЛЯД ВИКОРИСТАННЯ ФРАКТАЛЬНОГО АНАЛІЗУ ДЛЯ ВИЯВЛЕННЯ МЕРЕЖЕВИХ DDOS-АТАК

Анотація

Розподілені атаки на відмову в обслуговуванні (DDoS-атаки) є однією з найсерйозніших загроз кібербезпеці, яка постійно розвивається і завдає значних фінансових збитків у всьому світі. На відміну від традиційних атак типу «відмова в обслуговуванні» (DoS), DDoS-атаки використовують декілька скомпрометованих систем, створюючи скоординовані зусилля для перевантаження мережевих ресурсів і порушення доступності сервісів. Зростаюча складність цих атак, які часто неможливо відрізнити від легітимного трафіку, створює значні труднощі для виявлення та пом'якшення їх наслідків. У цій статті розглядаються різні методи машинного навчання для виявлення DDoS-атак, зокрема машина опорних векторів (SVM), K-найближчих сусідів (KNN), дерева рішень та наївний Байєс, які демонструють високу точність у класифікації шаблонів атак на синтетичних наборах даних. Хоча ці методи ефективні в контрольованих середовищах, вони часто борються з нюансами реального мережевого трафіку, де гібридні та нові типи атак затуманюють зусилля з виявлення. Щоб вирішити ці проблеми, ми досліджуємо застосування фрактального аналізу – перспективного підходу для виявлення самоподібності у мережевому трафіку.Фрактальний аналіз, який фіксує самоподібність мережевого трафіку, продемонстрував потенціал для виявлення аномальних закономірностей, що свідчать про DDoS-активність. Хоча він має свої обмеження, фрактальний аналіз може покращити процес виявлення у поєднанні зі статистичними ознаками та алгоритмами машинного навчання.Фрактальні характеристики, наприклад, кількісно вимірювані за допомогою експоненти Херста, виявляють довгострокові залежності та автокореляційні структури у трафіку, що робить їх придатними для виявлення нерегулярностей, які зазвичай асоціюються з DDoS-атаками. Наш аналіз демонструє, що методи на основі фракталів у поєднанні зі статистичними підходами та підходами машинного навчання можуть підвищити точність виявлення та покращити адаптивність до реальних сценаріїв. Хоча жоден метод не пропонує універсального рішення, це дослідження підкреслює важливість використання різноманітних методів для ефективного моніторингу та захисту від DDoS-загроз. Подальші дослідження мають бути зосереджені на інтеuрації багатогранних моделей виявлення для кращого реагування на мінливий ландшафт загроз кібербезпеці, які створюють DDoS-атаки.