[학위논문]SDN환경에서 Attention knowledge distillation을 통한 EDoS 공격 탐지 Economic Denial of Sustainability (EDoS) attack detection in SDN by Distilling the Attention Knowledge원문보기
최신 클라우드 컴퓨팅은 네트워크 장치의 복잡성을 줄이고 효율적인 네트워크 관리를 제공하는 소프트웨어 정의 네트워크로 알려져 있습니다. 그러나 다른 많은 기술이 직면하고 있는 것처럼 보안 문제는 클라우드 컴퓨팅 환경에서 EDoS(경제적 ...
최신 클라우드 컴퓨팅은 네트워크 장치의 복잡성을 줄이고 효율적인 네트워크 관리를 제공하는 소프트웨어 정의 네트워크로 알려져 있습니다. 그러나 다른 많은 기술이 직면하고 있는 것처럼 보안 문제는 클라우드 컴퓨팅 환경에서 EDoS(경제적 지속 가능성 거부) 공격을 감지하기가 매우 어려운 몇 년 동안 가장 우려되는 사항입니다. 이론적으로 EDoS는 클라우드 리소스를 악용하고 사용자가 유료 서비스보다 더 많은 비용을 지불하도록 하는 클라우드 컴퓨팅의 종량제(pay-as-you-go) 특성을 공격합니다. 클라우드 컴퓨팅의 최신 방어 시스템에도 불구하고 EDoS 공격은 매우 은밀하고 탐지하기 복잡합니다. 현재 대부분의 탐지 기술은 EDoS 공격의 낮은 임계값과 낮은 비율 특성에 대해 언급했습니다. 따라서, 이는 현재 감지 방법의 몇 가지 단점을 증가시켰습니다. 일부 통계 방법은 작업에 의해 제한되어 임계값 감지에 제한이 있습니다. 반복적 딥러닝 모델을 적용한 다른 기술은 메모리 용량이 크고 계산량이 많기 때문에 잘못된 경보를 발생시키기 쉽습니다. 이 작품에서는 동일한 문제의 기존 시스템과 현재 시스템의 단점을 극복한 SDN 환경에서 운영되는 EDoS 공격 방어 시스템을 도입했습니다. 첫째, 우리의 제안은 래핑된 방법으로 처리 데이터의 품질을 향상시킵니다. 또 다른 기여는 다중 분류를 위한 주의 기술의 발전입니다. 우리의 주의 모델에 대한 최고의 소설을 추출하여 SDN 기반 클라우드에서 EDoS 공격 탐지를 위한 더 나은 체계로 시스템을 향상시켰습니다. 결과적으로 우리는 우리의 계획이 최근 방법의 뛰어난 성능일 뿐만 아니라 여러 EDoS 공격 시나리오로 평가되어 매우 좋은 피드백을 얻었음을 입증할 수 있습니다. 결과에 대한 포괄적인 분석은 EDoS 공격 탐지 문제에 대한 이론 및 실제 계획의 효율성을 보여줍니다.
최신 클라우드 컴퓨팅은 네트워크 장치의 복잡성을 줄이고 효율적인 네트워크 관리를 제공하는 소프트웨어 정의 네트워크로 알려져 있습니다. 그러나 다른 많은 기술이 직면하고 있는 것처럼 보안 문제는 클라우드 컴퓨팅 환경에서 EDoS(경제적 지속 가능성 거부) 공격을 감지하기가 매우 어려운 몇 년 동안 가장 우려되는 사항입니다. 이론적으로 EDoS는 클라우드 리소스를 악용하고 사용자가 유료 서비스보다 더 많은 비용을 지불하도록 하는 클라우드 컴퓨팅의 종량제(pay-as-you-go) 특성을 공격합니다. 클라우드 컴퓨팅의 최신 방어 시스템에도 불구하고 EDoS 공격은 매우 은밀하고 탐지하기 복잡합니다. 현재 대부분의 탐지 기술은 EDoS 공격의 낮은 임계값과 낮은 비율 특성에 대해 언급했습니다. 따라서, 이는 현재 감지 방법의 몇 가지 단점을 증가시켰습니다. 일부 통계 방법은 작업에 의해 제한되어 임계값 감지에 제한이 있습니다. 반복적 딥러닝 모델을 적용한 다른 기술은 메모리 용량이 크고 계산량이 많기 때문에 잘못된 경보를 발생시키기 쉽습니다. 이 작품에서는 동일한 문제의 기존 시스템과 현재 시스템의 단점을 극복한 SDN 환경에서 운영되는 EDoS 공격 방어 시스템을 도입했습니다. 첫째, 우리의 제안은 래핑된 방법으로 처리 데이터의 품질을 향상시킵니다. 또 다른 기여는 다중 분류를 위한 주의 기술의 발전입니다. 우리의 주의 모델에 대한 최고의 소설을 추출하여 SDN 기반 클라우드에서 EDoS 공격 탐지를 위한 더 나은 체계로 시스템을 향상시켰습니다. 결과적으로 우리는 우리의 계획이 최근 방법의 뛰어난 성능일 뿐만 아니라 여러 EDoS 공격 시나리오로 평가되어 매우 좋은 피드백을 얻었음을 입증할 수 있습니다. 결과에 대한 포괄적인 분석은 EDoS 공격 탐지 문제에 대한 이론 및 실제 계획의 효율성을 보여줍니다.
Software Defined Networks are the modern generation of cloud computing, which reduce the sophistication of gadgets connected to the internet and allow manage the network efficiently. However, as many other technologies are facing, security problems are the most concern for years when the attack call...
Software Defined Networks are the modern generation of cloud computing, which reduce the sophistication of gadgets connected to the internet and allow manage the network efficiently. However, as many other technologies are facing, security problems are the most concern for years when the attack called EDoS shorten for Economic Denial of Sustainability, is very difficult in detecting in the cloud network environment. Theoretically, EDoS assaults the payment characteristic in cloud resource that exploits the resource of the cloud and forces the users to pay more than the paid services. Despite of the modern defense systems in cloud computing, EDoS attack is very stealthy and complicated to detect. Most of the current detection techniques have mentioned about the lower threshold and lower rate characteristic of EDoS attacks. Thus, these increased several shortcomings of the current detection methods. The operation limits some statistical approaches, resulting in threshold detection limitations. The other techniques applied recurrent deep learning model are easy to raise the false alarms because of the heavy capacity of memory and heavy computation. In this art of work, we introduced the EDoS attack defense system operated in SDN environment which overcome the shortcomings of the previous and current system of the same problem. Firstly, our proposal increases the quality of the processing data by the wrapped method. Another contribution is the evolution of the attention technique for multi-classification. By distilling the best novel to our attention model, we enhanced our system into a better scheme for EDoS attack detection in SDN. As the results, we can demonstrate that our scheme is not only outstanding performance of recent methods but also is evaluated with several scenarios of EDoS attacks and gained extremely good feedback. Our comprehensive analysis of the results illustrated of the efficiency of our scheme in theory and in reality, for EDoS attack detection problems.
Software Defined Networks are the modern generation of cloud computing, which reduce the sophistication of gadgets connected to the internet and allow manage the network efficiently. However, as many other technologies are facing, security problems are the most concern for years when the attack called EDoS shorten for Economic Denial of Sustainability, is very difficult in detecting in the cloud network environment. Theoretically, EDoS assaults the payment characteristic in cloud resource that exploits the resource of the cloud and forces the users to pay more than the paid services. Despite of the modern defense systems in cloud computing, EDoS attack is very stealthy and complicated to detect. Most of the current detection techniques have mentioned about the lower threshold and lower rate characteristic of EDoS attacks. Thus, these increased several shortcomings of the current detection methods. The operation limits some statistical approaches, resulting in threshold detection limitations. The other techniques applied recurrent deep learning model are easy to raise the false alarms because of the heavy capacity of memory and heavy computation. In this art of work, we introduced the EDoS attack defense system operated in SDN environment which overcome the shortcomings of the previous and current system of the same problem. Firstly, our proposal increases the quality of the processing data by the wrapped method. Another contribution is the evolution of the attention technique for multi-classification. By distilling the best novel to our attention model, we enhanced our system into a better scheme for EDoS attack detection in SDN. As the results, we can demonstrate that our scheme is not only outstanding performance of recent methods but also is evaluated with several scenarios of EDoS attacks and gained extremely good feedback. Our comprehensive analysis of the results illustrated of the efficiency of our scheme in theory and in reality, for EDoS attack detection problems.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.