umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Multi-Scale Low-Rate DDoS Attack Detection Using the Generalized Total Variation Metric
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap. Umea University. (Distributed Systems)
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap. Umea University. (Distributed Systems)
2018 (Engelska)Ingår i: 17th IEEE International Conference on Machine Learning and Applications, IEEE, 2018, s. 1040-1047Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

We propose a mechanism to detect multi-scale low-rate DDoS attacks which uses a generalized total variation metric. The proposed metric is highly sensitive towards detecting different variations in the network traffic and evoke more distance between legitimate and attack traffic as compared to the other detection mechanisms. Most low-rate attackers invade the security system by scale-in-and-out of periodic packet burst towards the bottleneck router which severely degrades the Quality of Service (QoS) of TCP applications. Our proposed mechanism can effectively identify attack traffic of this natures, despite its similarity to legitimate traffic, based on the spacing value of our metric. We evaluated our mechanism using datasets from CAIDA DDoS, MIT Lincoln Lab, and real-time testbed traffic. Our results demonstrate that our mechanism exhibits good accuracy and scalability in the detection of multi-scale low-rate DDoS attacks.

Ort, förlag, år, upplaga, sidor
IEEE, 2018. s. 1040-1047
Nyckelord [en]
Multi-scale, Distributed denial of service, Low-rate, Total variation metric
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
data- och systemvetenskap
Identifikatorer
URN: urn:nbn:se:umu:diva-155560DOI: 10.1109/ICMLA.2018.00170ISBN: 978-1-5386-6805-4 (digital)OAI: oai:DiVA.org:umu-155560DiVA, id: diva2:1281438
Konferens
17th IEEE International Conference on Machine Learning and Applications, 2018, 17-20 December, Orlando, FL, USA
Forskningsfinansiär
Kempestiftelserna, SMK-1644Tillgänglig från: 2019-01-22 Skapad: 2019-01-22 Senast uppdaterad: 2019-01-22Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltext

Personposter BETA

Bhuyan, Monowar H.Elmroth, Erik

Sök vidare i DiVA

Av författaren/redaktören
Bhuyan, Monowar H.Elmroth, Erik
Av organisationen
Institutionen för datavetenskap
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 555 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf