Detekce DDoS v aplikačních lozích

Abstract

Predkladaná diplomová práca sa zaoberá detekciou HTTP-based Distributed Denial of Service útokov pomocou strojového učenia na prístupových logoch webového servera. Vzhľadom na nedostatok vhodných verejných datasetov bol vytvorený vlastný virtualizovaný testbed na generovanie realistickej legitímnej a škodlivej HTTP prevádzky. Boli vyvinuté dve metódy detekcie – na úrovni jednotlivých požiadaviek a na úrovni relácií – s využitím modelov Random Forest, Logistic Regression a K-Nearest Neighbors. Metódy boli vyhodnotené na vlastnom trénovacom datasete pomocou štandardných metrík výkonnosti. Najlepšie výsledky dosiahol model Random Forest.

The presented thesis addresses the detection of HTTP-based Distributed Denial of Service attacks using machine learning on web server access logs. Due to the lack of suitable public datasets, a custom virtualized environment was created to generate realistic benign and malicious HTTP traffic. Two detection methods – per-request and session-based – were developed using models Random Forest, Logistic Regression, and K-Nearest Neigbors. The methods were evaluated on a custom training dataset using standard performance metrics. The Random Forest model achieved the best results.