بكارگيري الگوريتم ژنتيك براي بهبود الگوريتم جنگل تصادفي به منظورتشخيص حملات محروم سازي از سرويس توزيع شده در بستر رايانش ابري

Using Genetic Algorithm to Improve Random Forest Algorithm in Order to Detect DDoS Attacks in Cloud Computing Platform

تجهيزاتي همچون مسيرياب، سوئيچ يا ديوارهاي آتش به عنوان حياتي ترين اتصالات در شبكه ارتباطي ميان ماشين هاي فيزيكي در يك محيط رايانش ابري هستند. در صورت عدم وجود امنيت در شبكه، به نفوذگران به شبكه اجازه داده مي شود كه‌ با دستيابي به تجهيزات، امكان پيكربندي آن ها را به‌گونه‌اي كه تمايل دارند عمل كنند. ازاين‌رو ارائه روشي براي مقابله با حملات محروم سازي از سرويس در بستر رايانش ابري يكي از ضروريات و مهم ترين مسائل امنيتي اين حوزه مي باشد. در اين تحقيق سعي شده روشي هوشمند و مبتني بر الگوريتم درخت تصادفي با تمركز بر روي الگوريتم ژنتيكبراي شناسايي حملات محروم سازي از سرويس ارائه شود. از ميان جريان هاي شبكه اي متفاوت، جريان هاي شبكه اي كه موجب بروز حملات DoS و DDoS مي شوند از اهميت بسيار بالايي برخوردارند. ايده اصلي در اين تحقيق استفاده از روش هاي داده كاوي و الگوريتم درخت تصادفي براي شناسايي حملات محروم سازي از سرويس است كه نكته اصلي در بهينه سازي اين الگوريتم با استفاده از الگوريتم هاي ژنتيك مي باشد. طي اين روش زيرمجموعه بهينه از مجموعه ويژگي هاي با استفاده از الگوريتم هاي ژنتيك استخراج مي شود و اين زيرمجموعه بهينه براي يادگيري مدل درخت تصادفي مورد استفاده قرار مي گيرد. نتايج آزمايش هاي انجام شده و مقايسه آن با روش معمول حاكي از دقت و عملكرد مناسب روش ارائه شده دارد.

Devices such as routers, switches or firewalls are the most vital connections in communication network among physical machines in a cloud computing environment. In the absence of security on the network, intruders are allowed to access the equipment and configure it in the way they want to. Hence, a method suggested to deal with denial-of-service (DoS) attacks in the cloud computing platform is one of the essential and most important security issues in this area. This study tends to provide a smart method based on random forest algorithm focusing on genetic algorithms for detecting DoS attacks. Through different network streams, network streams which trigger DoS and DDoS attacks are very important. The main idea of this study is to use random forest algorithm to identify DoS attacks, which is the main reason for optimizing this algorithm using genetic algorithms. In this method, an optimal subset of the set of features is extracted using genetic algorithms, and this optimal subset is used for random forest learning. Results of the experiments carried out and comparison