Software Defined Networking을 위한 다중 기계학습 결합 기반의 DDoS 탐지 시스템

초록

본 논문에서는 네트워크 DDoS 공격 트래픽에 분류 성능을 높이기 위한 다중기계학습 기반의 처리방법을 제안한다. 이 연구에서 제안된 결합 메커니즘은 두 가지 분류 알고리즘, Support Vector Machine (SVM), Decision Tree(DT)의 이점을 활용 하는 데에 초점을 둔다. SVM은 높은 정확도로 네트워크 flow를 분류하는데 적은 시간이 걸리고, DT는 미리 학습된 data mining기술로 더욱더 확실하게 flow를 예측 한다. 분산 서비스 거부 공격을다루기 위해 SVM과 DT를 결합한 메커니즘을 제안하고, Software-Defined Networking에서 자원 고갈로부터 네트워크 컴포넌트를 보호한다. SVM은 첫 번째로 OpenFlow switch 들로부터 flow-tables에 존재하는 전체 flow를 분류한다. 분류된 flow가 SVM을 나타내는 그래프안의 공격flow 및 보통flow의 기준 선에서 공격인지 아닌지 확실하게 정의하기 힘든 희미하거나 애매한 부분이나 선의 가장자리 사이에 위치 하는 경우는 공격flow인지 보통flow 인지 확인이 어렵기 때문에 최종 결정을 위하여 DT로 전달하여 더 확실히 공격 flow를 탐지한다. 그 후에 Attack Classifier와 Policy Enforcement 모듈은 공격 감소와 SDN controller 보호를 위해 flow에 적용되어 진다. 또한, Software-Defined Networking에서 분산 서비스 거부 공격의 새로운 관점에 대해 소개한다. 이 연구에서Software-Defined Networking에서 실현가능한 실험을 해서 제안된 분류 결합 메커니즘이 기존 메커니즘보다 더성능이 좋은 것을 실험으로 증명하였다. 새로운 SVM-DT 결합 메커니즘은 SDN controller와 OpenFlow switch들을 과 부화로 부터 보호하고 분산서비스 거부 공격에 대응하기 위한 효과적이고 획기적인 방법이다.

키워드