DDoS Flood Detection and Mitigation using SDN and Network Ingress Filtering - an Experiment Report
Notice bibliographique
Résumé
Distributed Denial of Service (DDoS) attacks are a common security threat to overwhelm a target server. IP source spoofing is a common approach used for DDoS attacks. It is claimed that all large DDoS attacks require IP spoofing and around 20% of the Internet still allows IP spoofing. DDoS attacks can also be launched much more easily using low-cost Internet of Things (IoT) devices. DDoS attacks originating from IoT devices have increased 5-fold in a year. Software-defined networking (SDN) has been proposed as a new paradigm to reduce complexity. However, security issues are still challenging for SDN, as DDoS attacks on the controller could fail the entire network. A mechanism that can detect and mitigate DDoS attacks on SDN is crucial. Ingress filtering has been adopted to reduce the probability of exploiting a network to launch an attack. This, among other things, mandates the dropping of packets if the source IP address of incoming packets is inconsistent with the configured one. Best Current Practice 38 (BCP 38) is a network ingress filtering technique to prevent source IP spoofing. By validating incoming packets, their IP addresses, and possibly other attributes at the ingress devices, it provides a first line of defense against suspicious traffic. We present an approach to DDoS detection and mitigation using BCP 38 and SDN. To evaluate the effectiveness of the proposed approach, a simple method was designed to detect and mitigate DDoS floods using BCP 38 and SDN. Experiments were conducted using Mininet and the Ryu controller. The result demonstrated that the proposed approach corresponded to DDoS attacks with IP spoofing efficiently and effectively.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».