Deteksi dan Respons Terhadap Ddos Attacks pada Website Dinamis

Abstract

Serangan Distributed Denial of Service (DDoS) adalah masalah keamanan jaringan yang membandel . Berbagai metode berbasis pembelajaran mesin telah diusulkan untuk mendeteksi serangan tersebut. Menurut survei kami, fitur yang digunakan untuk mengkarakterisasi serangan biasanya dipilih secara manual berdasarkan pemahaman pribadi, dan model pendeteksian diharapkan dapat memberikan kinerja generalisasi yang baik dalam pendeteksian praktis setiap saat. Oleh karena itu, cara memilih fitur optimal yang memberikan kinerja terbaik merupakan masalah penting untuk membangun detektor yang efektif. Sementara itu, ketika lalu lintas jaringan menjadi semakin kompleks dan mudah berubah, beberapa fitur asli mungkin tidak mampu mengkarakterisasi lalu lintas saat ini, dan kegagalan detektor dapat terjadi ketika lalu lintas berubah. Dalam tulisan ini, kami memilih multilayer perceptrons (MLP) untuk mendemonstrasikan dan memecahkan masalah yang diajukan. Dalam solusi kami, kami menggabungkan pemilihan fitur sekuensial dengan MLP untuk memilih fitur optimal selama fase pelatihan dan merancang mekanisme umpan balik untuk merekonstruksi detektor ketika mendeteksi kesalahan deteksi yang cukup besar secara dinamis. Terakhir, kami memvalidasi keefektifan metode kami dan membandingkannya dengan beberapa penelitian terkait. Hasilnya menunjukkan bahwa metode kami dapat menghasilkan kinerja deteksi yang sebanding dan memperbaiki detektor ketika kinerjanya buruk. Dari hasil percobaan, terbukti metode ini dapat mendeteksi serangan DDoS sekaligus menjamin bahwa service request yang sah mendapat pelayanan yang seharusnya sehingga server dapat melayani service request dengan baik.