Распределенная атака типа «отказ в обслуживании» (DDoS) представляет собой угрозу сетевой безопасности, цель которой состоит в том, чтобы исчерпать целевые сети вредоносным трафиком

VI. АНАЛИЗ
Сначала мы извлекаем 80 характеристик трафика из набора данных с помощью CICFlowMeter [19], [10]. После этого, чтобы выбрать лучший набор функций обнаружения для каждой DDoS-атаки, мы тестируем эти извлеченные функции с помощью RandomForestRegressor. Затем мы исследуем производительность и точность выбранных функций с помощью четырех общих алгоритмов машинного обучения на основе данных обучения и тестирования.
Для извлечения характеристик сетевого трафика мы использовали CICFlowMeter [19], [10], который является потоковым экстрактором функций и может извлекать 80 функций из файла pcap. Метка потока в этом приложении включает IP-адрес источника, порт источника, IP-адрес назначения, порт назначения, протокол и отметку времени. Затем мы пометили сгенерированные потоки на основе расписания атак (временной метки), которое объясняется в Разделе V. Все 80 извлеченных функций были определены и объяснены на веб-странице CICFlowMeter [19]. Мы использовали класс RandomForestRegressor из scikit-learn [20]. Сначала мы вычисляем важность каждой функции во всем наборе данных, а затем достигаем окончательного результата, умножая среднее стандартизованное среднее значение каждой функции, разбитой по каждому классу, на соответствующее значение важности функции.


В Таблице IV показан список лучших выбранных функций и соответствующий вес каждого раздела. Также мы изображаем диаграммы Радвиза для разных видов сетевого трафика. Через Radviz N-мерный набор данных проецируется в 2D-пространство, в котором каждое измерение представлено в зависимости от влияния всех измерений. Из этих диаграмм мы можем обнаружить интересные характеристики различных DDoS-атак.