A Developed Detection Method of DDoS Attacks in Cryptocurrency Network Services

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

The growing interest in blockchain technology, functioning as an unchangeable ledger facilitating distributed transactions, is remarkable. Nevertheless, blockchain security is susceptible to a variety of risks, notably distributed denial of service (DDoS) attacks, which are progressively targeting cryptocurrency network services. To address this, deep learning approaches have emerged as a potent solution to intricate challenges in information science. This dissertation suggests the integration of deep learning approaches into a hybrid model to address complex cybersecurity challenges. Initially, a hybrid deep learning model used for binary classification, which combines Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) algorithms, was introduced for detecting DDoS attacks on cryptocurrency network services. Subsequently, a proposal is made to build a Graphical User Interface (GUI) for monitoring network traffic and identifying abnormal patterns or behaviors. This plan involves implementing measures to prevent intrusions and automatically respond to suspicious activities. Two models are established: one utilizing the Agglomerative Hierarchical Clustering (AHC) method and the other employing the Gaussian Mixture Model (GMM) for identifying DDoS attacks on cryptocurrency network services. The suggested model is assessed using a real dataset representing data associated with Bitcoin services attacked by DDoS. The suggested model outperforms standard deep learning implementations, achieving an impressive level of accuracy. When evaluated with the Mt.Gox dataset, the model demonstrated an accuracy of 95.84%. Furthermore, it underwent validation using widely recognized datasets, specifically CIC-IDS2017 and CSE-CIC-IDS2018, achieving accuracies of 95.40% and 99.77%, respectively. Therefore, this dissertation introduces a promising strategy for mitigating DDoS attacks within the cryptocurrency ecosystem.

روابط وملفات

التعريف والنوع

رقم الوثيقة

056c8082-12ac-46fe-b811-c48edf3ee35f

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل دكتوراة

نوع الملف

pdf text

أسماء الملفات

993376_1.pdf

بيانات النشر

ترجمة العنوان

طريقة مطورة للكشف عن هجمات DDoS في خدمات شبكة العملة المشفرة

ألقاب المؤلفين

[{"name_ar":"آمنة عبد العباس عبد الأمير مهدي","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"وسام سمير بهيه","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

English

المصدر والدورية

اسم المصدر

A Developed Detection Method of DDoS Attacks in Cryptocurrency Network Services

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

إن الاهتمام المتزايد بتكنولوجيا blockchain، التي تعمل كدفتر حسابات غير قابل للتغيير يسهل المعاملات الموزعة، أمر لافت للنظر. ومع ذلك، فإن أمان البلوكشين عرضة لمجموعة متنوعة من المخاطر، وخاصة هجمات رفض الخدمة الموزعة (DDoS)، والتي تركز تدريجياً على خدمات شبكة العملة المشفرة. ولمعالجة هذه المشكلة، ظهرت أساليب التعلم العميق المتقدمة كحل فعال للتحديات المعقدة في مجال علم المعلومات.تقترح الأطروحة دمج هذه الأساليب في أطر عمل هجينة لمواجهة تحديات الأمن السيبراني المعقدة. في البداية، تم تقديم نهج التعلم العميق الهجين المستخدم للتصنيف الثنائي، والذي يجمع بين خوارزميات الشبكة العصبية المتكررة (RNN) والذاكرة طويلة المدى (LSTM)، للكشف عن هجمات DDoS في خدمات شبكة العملة المشفرة.وفي وقت لاحق، تم تقديم اقتراح لبناء واجهة مستخدم رسومية (GUI) لمراقبة حركة مرور الشبكة وتحديد الأنماط أو السلوكيات غير الطبيعية. تتضمن هذه الخطة تنفيذ تدابير لمنع التطفلات والرد تلقائيًا على الأنشطة المشبوهة. أنشأ أنموذجين، أحدهما يستخدم طريقة التجميع الهرمي التجميعي (AHC) والآخر يستخدم نموذج الخليط الغاوسي (GMM) لتحديد هجمات DDOS على خدمات شبكة العملة المشفرة.تم تقييم الأنموذج المقترح لاحقًا باستخدام مجموعة البيانات الحقيقية التي تمثل البيانات المرتبطة بخدمات Bitcoin التي تعرضت لهجوم DDoS. ومن الواضح أن النموذج المقترح تفوق على تطبيقات التعلم العميق القياسية، وحقق مستوى مذهلاً من الدقة. عند تقييمه باستخدام مجموعة بيانات Mt.Gox، أظهر النموذج دقة تبلغ 95.84%. علاوة على ذلك، خضعت للتحقق من الصحة باستخدام مجموعات البيانات المعترف بها على نطاق واسع، وتحديدًا CIC-IDS2017 وCSE-CIC-IDS2018، محققة دقة تبلغ 95.40% و99.77% على التوالي. لذلك، تقدم هذه الأطروحة استراتيجية واعدة للتخفيف من هجمات DDoS داخل النظام البيئي للعملات المشفرة.

كلمات الباحثين

Blockchain, Distributed Denial of Service (DDoS) attacks, deep learning, Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Agglomerative Hierarchical Clustering (AHC), Gaussian Mixture Model (GMM), cybersecurity, cryptocurrency services

إشراف وإعداد

الإشراف

وسام سمير بهيه

الإعداد

آمنة عبد العباس عبد الأمير مهدي

الاقتباسات الببليوغرافية