Identifikace DDoS paketů s využitím neuronové sítě

Abstract

Tato bakalářská práce se zaměřuje na vývoj systému pro binární klasifikaci paketů distribuovaných útoků typu Denial of Service (DDoS) výhradně pomocí analýzy obsahu paketů za využití neuronových sítí. Na rozdíl od tradičních přístupů, které spoléhají na charakteristiky síťového provozu nebo informace z hlaviček paketů, tato práce zkoumá výhradně datový obsah paketů za účelem detekce DDoS útoků. Hlavním modelem byla vybrána a implementována dopředná neuronová síť, která byla trénována a vyhodnocována na pečlivě připravených datových sadách zahrnujících jak syntetická data, tak reálné datové sady, konkrétně CICDDoS2019 pro škodlivé pakety a proprietární CESNET aconet-1M pro benigní provoz. Pro efektivní učení byla provedena optimalizace hyperparametrů a provedena rozsáhlá experimentální validace k posouzení výkonnosti sítě. Práce podrobně popisuje návrh systému, strategie zpracování dat a použité experimentální metody, čímž poskytuje solidní základ pro zhodnocení efektivity klasifikace založené na obsahu paketů. Výsledky ukazují schopnosti neuronové sítě a stanovují jasné směry pro další vylepšení technik pro mitigaci DDoS útoků v reálném čase.

This bachelor's thesis focuses on developing a system for the binary classification of DistributedDenial of Service (DDoS) packets, utilizing solely packet payloads analyzed by neural networks. Unlike traditional approaches relying on network traffic characteristics or header information, this research concentrates exclusively on payload data for detecting DDoS attacks. A feedforward neural network was selected and implemented as the primary model, trained and evaluated on carefully prepared datasets comprising both synthetic data and real-world datasets, specifically CICDDoS2019 for malicious packets and the proprietary CESNET aconet-1M for benign traffic. Hyperparameter optimization was conducted to ensure effective learning, and extensive experimental validation was performed to assess the network's performance. The thesis documents the detailed design, data processing strategies, and experimental methodologies used, providing a robust foundation for evaluating the efficacy of payload-based classification. The results demonstrate the neural network's capabilities and set clear directions for future enhancements in online DDoS mitigation techniques.