Detection and Mitigation of IP Spoofing and SYN Flooding DDoS Attacks in Cloud Computing
Notice bibliographique
Résumé
Denial of Distributed Services (DDoS) is one of the significant threats to cloud computing. The attacker can affect the machine’s availability, and traditional defense strategies are difficult to apply to cloud computing due to their poor availability and high storage requirements. There are multiple different types of DDoS attacks such as IP Spoofing, SYN flooding, smurf, buffer overflow, ping of death, land and finally, teardrop attack. Among these, SYN Flooding and IP Spoofing are the most common and effective attacks these days. This thesis will focus on implementing a security algorithm to improve the two most common DDoS attacks in cloud computing. First, we will implement a simple detection mechanism using operating system fingerprinting for IP Spoofing and Confidence-Based Filtering pattern recognition with timestamp parameters for SYN Flooding attacks. After an attack is detected, a simple shared cloud-based database is updated for both legitimate connection and illegitimate connection for mitigation purposes. To mitigate an IP Spoof attack, source IP address filtering is used to allow only traffic with legitimate source IP addresses to access the network. For the purpose of mitigating SYN Flooding attacks, a prevention technique is used to classify the attack sources and discard traffic from such sources. In a secure cloud environment, we test our proposed algorithm and literature security methods for better comparison. The result shows that our proposed algorithm has counter literature methods drawbacks and allowed a more legitimate connection with less error.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».