عنوان الإطروحه |
An Ensemble Approach for DDOS Attack Detection
|
تاريخ مناقشة الاطروحه |
2025-05-15 |
اسم الطالب |
منى عايد مفلح العثمان
|
المشرف |
اكرم عارف نايف مصطفى |
|
المشرف المشارك |
|
اعضاء لجنة المناقشة |
| جهاد قبيل عوده النهود |
| محمد العثمان |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
مع التوسع السريع في الخدمات المعتمدة على الإنترنت، أصبحت هجمات حجب الخدمة الموزعة (DDoS) من أخطر التهديدات التي تواجه أمن الشبكات، إذ تهدف هذه الهجمات إلى إغراق موارد الشبكة وتعطيل الخدمات، مما يجعلها غير متاحة للمستخدمين الشرعيين. وغالبًا ما تعجز أنظمة الحماية التقليدية عن كشف هذه التهديدات نظرًا للطبيعة الديناميكية للهجمات وتعقيد أنماطها المتزايد. ولمعالجة هذه التحديات وتحسين دقة الكشف، أصبحت تقنيات التعلم الآلي المتقدمة ضرورية لتطوير أنظمة كشف اختراق أكثر تكيفًا وذكاء.
وفي هذا السياق، تقترح هذه الدراسة نموذجًا قائمًا على التعلم الآلي التجميعي (Ensemble Learning) يهدف إلى الكشف الدقيق عن هجمات DDoS مع تقليل معدلات الإنذارات الكاذبة. يجمع النظام المقترح بين عدة خوارزميات تعلم آلي مثل Bagging وBoosting وStacking وVoting للاستفادة من نقاط القوة في كل منها وتحسين الأداء العام للكشف. كما تم استخدام خوارزمية تحسين أسراب الجسيمات (PSO) لاختيار السمات الأكثر أهمية في عملية التصنيف. وقد تم تدريب النموذج واختباره باستخدام قواعد بيانات معروفة تشمل NSL-KDD وSDN وCICDDoS2017 وCICDDoS2019. أظهرت النتائج التجريبية أن النموذج التجميعي تفوق في الأداء على الخوارزميات الفردية من حيث الدقة والدقة النوعية والاستدعاء وF1-score. ومن الجدير بالذكر أن خوارزمية Voting حققت دقة بلغت 99.9? على مجموعة بيانات NSL-KDD، بينما تفوقت خوارزميات Bagging وBoosting وStacking على قواعد بيانات أخرى مختلفة. وتبرز هذه النتائج فعالية دمج الخوارزميات المتعددة وتقنيات اختيار السمات في بناء أنظمة كشف اختراق قوية وقابلة للتكيف مع التهديدات الإلكترونية المتطورة
|
الملخص بالانجليزي |
With the rapid expansion of internet-based services, Distributed Denial of Service (DDoS) attacks have become one of the most critical threats to network security. These attacks aim to overwhelm network resources, rendering services inaccessible to legitimate users. Traditional security systems often fall short in detecting such threats due to the dynamic behavior and evolving complexity of attack patterns. To address these limitations and improve detection accuracy, advanced machine learning approaches have become essential in developing more adaptive and intelligent intrusion detection systems.
In this context, the present study proposes an ensemble-based machine learning model designed to accurately detect DDoS attacks while minimizing false positive rates. The proposed system combines multiple machine learning algorithms?Bagging, Boosting, Stacking, and Voting?to leverage their individual strengths and enhance overall detection performance. Particle Swarm Optimization (PSO) was employed for feature selection, helping to identify the most relevant attributes for classification. The model was trained and evaluated on well-known datasets including NSL-KDD, SDN, CICDDoS2017, and CICDDoS2019. Experimental results demonstrated that the ensemble model outperformed individual classifiers in terms of accuracy, precision, recall, and F1-score. Notably, the Voting classifier achieved 99.9% accuracy on NSL-KDD, while Bagging, Boosting, and Stacking each excelled on different datasets. These findings highlight the effectiveness of combining multiple algorithms and optimization techniques in building robust and adaptive DDoS detection systems
|
رقم ISN |
9114 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|