A Comparative Study of Intrusion Detection Models for DDoS and Brute Force Attack Detection Using Public Cybersecurity Datasets
यह अध्ययन DDoS और ब्रूट फ़ोर्स हमलों का पता लगाने के लिए CICIDS2017 डेटासेट का उपयोग करते हुए एक मशीन लर्निंग-आधारित घुसपैठ पहचान प्रणाली (इंट्रूज़न डिटेक्शन सिस्टम) प्रस्तावित करता है, जो यह प्रदर्शित करता है कि XGBoost एल्गोरिदम लगभग 99.9975% सटीकता और अन्य प्रमुख मेट्रिक्स प्राप्त करके Random Forest और ANN से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरे शहर की तरह है जहाँ अरबों लोग, उपकरण और सेवाएँ लगातार एक-दूसरे से बात कर रहे हैं। इस डिजिटल महानगर में, हमेशा अराजकता पैदा करने की कोशिश करने वाले कुछ शरारती तत्व होते हैं। इनमें से कुछ शरारती तत्व एक विशाल भीड़ की तरह होते हैं जो किसी विशेष सड़क को इतने लोगों से भर देते हैं कि कोई और वहाँ से गुजर ही नहीं पाता; इसे DDoS हमला कहा जाता है। अन्य लोग एक जेबकतरे की तरह होते हैं जो एक विशाल चाबियों के गुच्छे में से हर एक चाबी को आज़माते हैं ताकि उस एक चाबी को ढूँढा जा सके जो ताले वाले दरवाज़े को खोल सके; यह एक ब्रूट फ़ोर्स (Brute Force) हमला है।
शहर को सुरक्षित रखने के लिए, हमारे पास सुरक्षा गार्ड हैं जिन्हें इंट्रूज़न डिटेक्शन सिस्टम (IDS) कहा जाता है। लंबे समय तक, ये गार्ड एक "वांटेड" पोस्टर वाले बाउंसर की तरह काम करते थे। वे अपराधियों को तभी पकड़ सकते थे जब अपराधी का चेहरा पहले से ही उस पोस्टर पर हो। यदि कोई नया अपराधी वेश बदलकर आता, तो बाउंसर को उसे रोकने का तरीका पता नहीं चलता। इसे ठीक करने के लिए, वैज्ञानिकों ने इन गार्ड्स को अधिक स्मार्ट बनाना शुरू किया। केवल चेहरे याद रखने के बजाय, उन्होंने गार्ड्स को भीड़ के व्यवहार से सीखना सिखाया। उन्होंने मशीन लर्निंग का उपयोग किया, जो एक प्रकार का कंप्यूटर मस्तिष्क है जो "अच्छे" ट्रैफ़िक और "बुरे" ट्रैफ़िक के लाखों उदाहरणों का अध्ययन करता है, जब तक कि वह अपने आप एक नए अपराधी के चालाकी भरे पैटर्न को पहचान न ले। बड़ा सवाल यह है कि कौन सा स्मार्ट मस्तिष्क इन डिजिटल शरारती तत्वों को पकड़ने में सबसे अच्छा काम करता है?
यह शोध पत्र उत्तर खोजने के लिए तीन अलग-अलग प्रकार के "स्मार्ट मस्तिष्क" का परीक्षण करके इस लक्ष्य को निर्धारित करता है। शोधकर्ताओं ने डिजिटल ट्रैफ़िक रिकॉर्ड के एक विशाल, यथार्थवादी पुस्तकालय का उपयोग किया जिसे CICIDS2017 कहा जाता है, जिसमें सामान्य इंटरनेट गतिविधि के साथ विभिन्न हमलों के लाखों उदाहरण शामिल हैं। उन्होंने इस डेटा पर तीन विशिष्ट मशीन लर्निंग मॉडल को प्रशिक्षित किया: रैंडम फ़ॉरेस्ट (Random Forest), XGBoost, और आर्टिफिशियल न्यूरल नेटवर्क (ANN)। आप रैंडम फ़ॉरेस्ट को कई अलग-अलग जासूसों की एक समिति के रूप में देख सकते हैं, जिनमें से प्रत्येक सुरागों को देखता है और वोट देता है कि अपराधी कौन है। XGBoost एक ऐसे जासूस की तरह है जो अपनी गलतियों से सीखता है, और हर बार जब उसे कोई सुराग गलत मिलता है, तो वह एक नई रणनीति बनाता है जब तक कि वह पूर्ण न हो जाए। आर्टिफिशियल न्यूरल नेटवर्क मानव मस्तिष्क के मॉडल पर आधारित है, जिसमें कनेक्शन की परतें होती हैं जो जटिल पैटर्न को समझने की कोशिश करती हैं, हालाँकि यह इस बात के प्रति थोड़ा संवेदनशील हो सकता है कि सुराग कैसे प्रस्तुत किए जाते हैं।
शोधकर्ताओं ने यह देखने के लिए इन तीनों मॉडलों को एक ही कठोर प्रशिक्षण और परीक्षण प्रक्रिया से गुज़ारा कि कौन सा मॉडल DDoS और ब्रूट फ़ोर्स हमलों को सबसे सटीक रूप से पहचान सकता है। परिणाम अविश्वसनीय रूप से प्रभावशाली थे। तीनों मॉडल अपने काम में उत्कृष्ट थे, लेकिन XGBoost स्पष्ट विजेता के रूप में उभरा। परीक्षणों में, XGBoost ने 99.9975% सटीकता, प्रिसिजन (precision), रिकॉल (recall) और F1-स्कोर हासिल किया। इसका अर्थ है कि इसने लगभग हर हमले की सही पहचान की और लगभग कभी गलती नहीं की। रैंडम फ़ॉरेस्ट दूसरे स्थान पर था, जो लगभग उतना ही अच्छा प्रदर्शन कर रहा था, जबकि आर्टिफिशियल न्यूरल नेटवर्क भी बहुत अच्छा था लेकिन थोड़ा कम स्कोर के साथ लगभग 99.9550% पर रहा। अध्ययन बताता है कि न्यूरल नेटवर्क के प्रदर्शन में मामूली गिरावट इसलिए हो सकती है क्योंकि यह इस बात के प्रति बहुत संवेदनशील है कि डेटा को कैसे तैयार किया जाता है, जबकि XGBoost और रैंडम फ़ॉरेस्ट जैसे ट्री-आधारित मॉडल डेटा को अधिक स्वाभाविक रूप से संभालते हैं।
अंततः, यह शोध पत्र निष्कर्ष निकालता है कि इन विशिष्ट साइबर हमलों को पकड़ने के लिए, रैंडम फ़ॉरेस्ट की "समिति" शैली और XGBoost की "गलतियों से सीखने" वाली शैली सबसे विश्वसनीय उपकरण हैं। अध्ययन में यह भी पाया गया कि मॉडलों ने नेटवर्क के माध्यम से पीछे की ओर जाने वाले डेटा पैकेट के विशिष्ट विवरणों पर सबसे अधिक ध्यान दिया, जिससे पता चलता है कि डेटा वापस भेजने वाले के पास जाने का तरीका परेशानी को पहचानने के लिए एक बड़ा सुराग है। हालाँकि शोधकर्ता नोट करते हैं कि ये परिणाम एक विशिष्ट डेटासेट पर आधारित हैं और लाइव, वास्तविक समय के इंटरनेट ट्रैफ़िक पर नहीं, फिर भी निष्कर्ष दृढ़ता से सुझाव देते हैं कि ये एन्सेम्बल लर्निंग (ensemble learning) विधियाँ अत्यधिक प्रभावी हैं और भविष्य में हमारे डिजिटल शहरों की रक्षा करने के तरीके में महत्वपूर्ण सुधार कर सकती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।