research centers


Search results: Found 2

Listing 1 - 2 of 2
Sort by

Article
Packet Identification By Using Data Mining Techniques

Authors: Safaa O. Al-Mamory --- Ali Hussein Ali
Journal: Journal of University of Babylon مجلة جامعة بابل ISSN: 19920652 23128135 Year: 2016 Volume: 24 Issue: 3 Pages: 565-579
Publisher: Babylon University جامعة بابل

Loading...
Loading...
Abstract

Accurate internet traffic identification and classification are fundamental to numerous network activities, including network management and security monitoring, traffic modeling and network planning, accounting and Quality of Service provision. With the development of network, P2P as new generation of network technology is widely used. Starting from the first popular one (Napster), a number of new P2P based multimedia file sharing systems have been developed (FastTrack, eDonkey, Gnutella, Direct Connect, etc.). A fundamental types of networks architectures in today's world are Client/ server and Peer to Peer. A promising approach that has recently received some attention is traffic classification using machine learning techniques. The term data mining is used for methods and algorithms that allow analyzing data in order to find rules and patterns describing the characteristic properties of the data. The aim of this research is to classify traffic accuracy which can be achieved by using machine learning techniques such as K-Means and Birch algorithms. This system depends on the extracted attributes and then use it in the proposed system to distinguish all types of packets. The goal of system of packet identification is to detect the types of packets and identification of application usage and trends , also identification of emerging applications diagnosing anomalies is critical for both network operators and end user in term of data security and service availability.

التصنيف والتعريف الدقيق لحركة المرور على الانترنيت هو أمر أساسي للعديد من أنشطة الشبكة التي تتضمن إدارة الشبكات ,تخطيط الشبكات, المراقبة الأمنية، ونوعية الخدمة المقدمة . مع تطور الشبكات نشأ لدينا جيل جديد وهو تقنية نظير إلى نظير واستخدمت على نطاق واسع . بدأ من خلال تطوير (Napster)والذي يعتبر الأكثر شيوعاً من بين الأنظمة التي تستخدم أنظمة مشاركة الملفات مثل(. FastTrack, eDonkey, Gnutella, Direct Connect, etc)الأنواع الأساسية لمعماريات الشبكات في الوقت الحاضر هي العميل / الخادم و النظير لنظير . الطريقة الواعدة التي نالت بعض الاهتمام هي تصنيف الحزم باستخدام تقنيات التعلم الآلي . أن مفهوم تنقيب البيانات يعبرعن الطرق والخوارزميات التي تسمح بتحليل البيانات لغرض إيجاد القواعد والأنماط لوصف الخصائص المميزة للبيانات . الهدف من نظام تعريف الحزم هو لتحديد أنواع الحزم ,تحديد استعمالها واتجاهات التطبيق . كما يمكن التعرف على التطبيقات الناشئة لان تشخيص التشوهات أمر بالغ الأهمية لكل من المشغل والمستخدم للشبكة من ناحية أمن البيانات وتوفر الخدمة .


Article
A Semi-Supervised Machine Learning Approach Using K-Means Algorithm to Prevent Burst Header Packet Flooding Attack in Optical Burst Switching Network
منهج تعليمي شبه آلي للإشراف باستخدام خوارزمية K-Means لمنع هجوم دفق حزمة حزم رأس الاندفاع في شبكة تبديل الانفجارات البصرية

Authors: Muhammad Kamrul Hossain Patwary محمد قمر حسين باتوري --- Md. Mokammel Haque محمد كامل الحق
Journal: Baghdad Science Journal مجلة بغداد للعلوم ISSN: 20788665 24117986 Year: 2019 Volume: 16 Issue: 3 Supplement Pages: 804-815
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Optical burst switching (OBS) network is a new generation optical communication technology. In an OBS network, an edge node first sends a control packet, called burst header packet (BHP) which reserves the necessary resources for the upcoming data burst (DB). Once the reservation is complete, the DB starts travelling to its destination through the reserved path. A notable attack on OBS network is BHP flooding attack where an edge node sends BHPs to reserve resources, but never actually sends the associated DB. As a result the reserved resources are wasted and when this happen in sufficiently large scale, a denial of service (DoS) may take place. In this study, we propose a semi-supervised machine learning approach using k-means algorithm, to detect malicious nodes in an OBS network. The proposed semi-supervised model was trained and validated with small amount data from a selected dataset. Experiments show that the model can classify the nodes into either behaving or not-behaving classes with 90% accuracy when trained with just 20% of data. When the nodes are classified into behaving, not-behaving and potentially not-behaving classes, the model shows 65.15% and 71.84% accuracy if trained with 20% and 30% of data respectively. Comparison with some notable works revealed that the proposed model outperforms them in many respects.

شبكة تبديل الاندفاع البصري (OBS) هي تقنية اتصال بصري من الجيل الجديد. في شبكة OBS ، ترسل عقدة الحافة أولاً حزمة تحكم ، تسمى حزمة رأس الاندفاع (BHP) التي تحتفظ بالموارد اللازمة لدفعة البيانات القادمة (DB). بمجرد اكتمال الحجز ، تبدأ قاعدة البيانات بالتحرك إلى وجهتها من خلال المسار المحجوز. هناك هجوم بارز على شبكة OBS هو هجوم فيضان BHP حيث ترسل عقدة الحافة BHPs لحجز الموارد ، ولكن في الواقع لا ترسل قاعدة البيانات المرتبطة بها. نتيجة لذلك ، يتم إهدار الموارد المحجوزة وعندما يحدث ذلك على نطاق واسع بما فيه الكفاية ، فقد يحدث رفض الخدمة (DoS). في هذه البحث ، نقترح طريقة شبه آلية للتعلم باستخدام خوارزمية الوسائل k ، لاكتشاف العقد الخبيثة في شبكة OBS. تم تدريب النموذج شبه المراقب المقترح والتحقق من صحته باستخدام بيانات كمية صغيرة من مجموعة بيانات مختارة. تُظهر التجارب أن النموذج يمكن أن يصنف العقد إلى فصول تتصرف أو لا تتصرف بدقة 90٪ عند التدريب باستخدام 20٪ فقط من البيانات. عندما يتم تصنيف العقد إلى فصول تتصرف ، لا تتصرف، وربما لا تتصرف ، فإن النموذج يظهر دقة 65.15 ٪ و 71.84 ٪ إذا تم تدريبه بنسبة 20 ٪ و 30 ٪ من البيانات على التوالي. مقارنة مع بعض الأعمال البارزة كشفت أن النموذج المقترح يتفوق عليها في كثير من النواحي.

Listing 1 - 2 of 2
Sort by
Narrow your search

Resource type

article (2)


Language

English (2)


Year
From To Submit

2019 (1)

2016 (1)