Comparando Seleção de Atributos na Detecção de Ataques DoS Hulk e DoS GoldenEye
Resumo
Redes de computadores são fundamentais para a realização de uma ampla gama de atividades indispensáveis no cotidiano. No entanto, estão sujeitas a vulnerabilidades derivadas da transmissão de dados não protegidos e da implementação inadequada de protocolos de segurança, levando a riscos como a divulgação não autorizada de dados e a interrupção de serviços críticos. Diante dessa realidade, esse estudo propõe uma análise comparativa de seleção de atributos para a detecção de ataques DoS Hulk e DoS GoldenEye através de um Classificador MultiClass. O objetivo é determinar a eficácia de cada técnica em identificar esses ataques, que são considerados anomalias na rede.
Referências
Dalmazo, B. L., Marques, J. A., Costa, L. R., Bonfim, M. S., Carvalho, R. N., da Silva, A. S., Fernandes, S., Bordim, J. L., Alchieri, E., Schaeffer-Filho, A., Paschoal Gaspary, L., and Cordeiro, W. (2021). A systematic review on distributed denial of service attack defense mechanisms in programmable networks. International Journal of Network Management, 31(6):e2163.
Dalmazo, B. L., Vilela, J. P., and Curado, M. (2018). Triple-similarity mechanism for alarm management in the cloud. Computers & Security, 78:33–42.
Jabez, J. and Muthukumar, B. (2015). Intrusion detection system (IDS): Anomaly detection using outlier detection approach. Procedia Computer Science, 48:338–346.
Kasongo, S. M. and Sun, Y. (2019). A deep learning method with filter based feature engineering for wireless intrusion detection system. IEEE Access, 7:38597–38607.
Novakovic, J., Strbac, P., and Bulatović, D. (2011). Toward optimal feature selection using ranking methods and classification algorithms. Yugoslav Journal of Operations Research, 21:119–135.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Intrusion detection evaluation dataset (cic-ids2017). Proceedings of the of Canadian Institute for Cybersecurity.
Thaseen, I. S. and Kumar, C. A. (2017). Intrusion detection model using fusion of chi-square feature selection and multi class SVM. Journal of King Saud University-Computer and Information Sciences, 29(4):462–472.
Vinayakumar, R., Alazab, M., Soman, K., Poornachandran, P., Al-Nemrat, A., and Venkatraman, S. (2019). Deep learning approach for intelligent intrusion detection system. IEEE Access, 7:41525–41550.
Dalmazo, B. L., Vilela, J. P., and Curado, M. (2018). Triple-similarity mechanism for alarm management in the cloud. Computers & Security, 78:33–42.
Jabez, J. and Muthukumar, B. (2015). Intrusion detection system (IDS): Anomaly detection using outlier detection approach. Procedia Computer Science, 48:338–346.
Kasongo, S. M. and Sun, Y. (2019). A deep learning method with filter based feature engineering for wireless intrusion detection system. IEEE Access, 7:38597–38607.
Novakovic, J., Strbac, P., and Bulatović, D. (2011). Toward optimal feature selection using ranking methods and classification algorithms. Yugoslav Journal of Operations Research, 21:119–135.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Intrusion detection evaluation dataset (cic-ids2017). Proceedings of the of Canadian Institute for Cybersecurity.
Thaseen, I. S. and Kumar, C. A. (2017). Intrusion detection model using fusion of chi-square feature selection and multi class SVM. Journal of King Saud University-Computer and Information Sciences, 29(4):462–472.
Vinayakumar, R., Alazab, M., Soman, K., Poornachandran, P., Al-Nemrat, A., and Venkatraman, S. (2019). Deep learning approach for intelligent intrusion detection system. IEEE Access, 7:41525–41550.
Publicado
23/10/2023
Como Citar
BARBOSA, Marcos G.; SAPATA, Matheus R.; RIKER, André; DALMAZO, Bruno L..
Comparando Seleção de Atributos na Detecção de Ataques DoS Hulk e DoS GoldenEye. In: ESCOLA REGIONAL DE REDES DE COMPUTADORES (ERRC), 20. , 2023, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 157-162.
DOI: https://doi.org/10.5753/errc.2023.933.
