DDoS attack volume forecasting using a statistical approach

Kwon, Dongwoo; Kim, Hyeonwoo; An, Donghyeok; Ju, Hongtaek

doi:10.23919/inm.2017.7987432

Cited by 11 publications

(5 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Kwon et al [97] used honeynets to capture the initial phases of the DDoS attack and predict its size. Later, they used statistical approaches to predict the DDoS volume [98]. Fachkha et al [99] proposed an approach based on analysis of data from darknets.…”

Section: Other Approachesmentioning

confidence: 99%

“…Supported by machine learning, missing temporal aspects Jiang et al [95] 2016 Similarity Live (honeynet) Supported by data mining AlEroud and Alsmadi [96] 2017 Similarity Testbed (SDN) Evaluation limited to DoS prediction DDoS volume forecasting (Section VII-2) Authors Year Approach/Model Evaluation Advantages and Limitations Kwon et al [97], [98] 2012, 2017…”

Section: Similaritymentioning

confidence: 99%

See 1 more Smart Citation

Survey of Attack Projection, Prediction, and Forecasting in Cyber Security

Husák

Komárková

Bou‐Harb

et al. 2019

IEEE Commun. Surv. Tutorials

227

110

View full text Add to dashboard Cite

This paper provides a survey of prediction, and forecasting methods used in cyber security. Four main tasks are discussed first, attack projection and intention recognition, in which there is a need to predict the next move or the intentions of the attacker, intrusion prediction, in which there is a need to predict upcoming cyber attacks, and network security situation forecasting, in which we project cybersecurity situation in the whole network. Methods and approaches for addressing these tasks often share the theoretical background and are often complementary. In this survey, both methods based on discrete models, such as attack graphs, Bayesian networks, and Markov models, and continuous models, such as time series and grey models, are surveyed, compared, and contrasted. We further discuss machine learning and data mining approaches, that have gained a lot of attention recently and appears promising for such a constantly changing environment, which is cyber security. The survey also focuses on the practical usability of the methods and problems related to their evaluation.

show abstract

Section: Other Approachesmentioning

confidence: 99%

Section: Similaritymentioning

confidence: 99%

Survey of Attack Projection, Prediction, and Forecasting in Cyber Security

Husák

Komárková

Bou‐Harb

et al. 2019

IEEE Commun. Surv. Tutorials

227

110

View full text Add to dashboard Cite

show abstract

“…Existe um crescente interesse por soluções para predição de ataques DDoS. A pesquisa de [Kwon et al 2017] propõem um método pró-ativo que estima o volume de ataques DDoS. A intenção dos pesquisadoresé superar limitações impostas pelos sistemas de segurança reativos baseados na detecção de intrusão e avaliar a necessidade de implantação de sistemas IPSs na rede.…”

Section: Trabalhos Relacionadosunclassified

“…No geral, as abordagens embasam-se em técnicas de mineração de dados, modelos estatísticos, redes neurais e modelos de Markov. Por exemplo, [Kwon et al 2017] expõem um método pró-ativo para predizer o volume de ataques DDoS em uma rede através da análise de regressão e correlação, e [Nijim et al 2017] um sistema para predizer ataques DDoS na camada de aplicação pela mineração de dados e classificação das requisições com base no histórico de uso de recursos. [Wang et al 2017] fazem correlações do comportamento temporal, espacial e espaço-temporal dos ataques.…”

Section: Introductionunclassified

Um Sistema Autoadaptável para Predição de Ataques DDoS Fundado na Teoria da Metaestabilidade

Pelloso¹,

tz²,

Santos³

et al. 2018

Anais Do XXXVI Simpósio Brasileiro De Redes De Computadores E Sistemas Distribuídos (SBRC 2018)

View full text Add to dashboard Cite

Os ataques de Negação de Serviço Distribuídos (Distributed Denial of Service - DDoS) crescem significativamente em volume, sofisticação e impacto. Exemplos são os ataques DDoS contra a empresa francesa OVN e o provedor de nomes DYN, os quais atingiram volumes inéditos de tráfego malicioso. Em geral, esses ataques possuem comportamentos inesperados, desta forma são detectados ou mitigados apenas quando se encontram em estágios avançados. Diferente de outros trabalhos, nós advogamos pelo prognóstico precoce de ataques DDoS a fim de evitar custos e perdas provenientes do ataque. Este trabalho apresenta STARK, um sistema autoadaptativo de predição de ataques DDoS, que identifica indícios do ataque na rede antes deste alcançar estágios avançados. Com base na teoria da metaestabilidade, STARK provê um aprendizado estatístico não supervisionado e identifica a iminência de ataques DDoS. A avaliação do STARK segue uma abordagem orientada a traços, em que três bases de dados são utilizadas. Como resultado, STARK demonstra predizer os ataques DDoS com minutos ou horas de antecedência.

show abstract

“…O trabalho de [Kwon et al 2017] sugere um método para estimar a quantidade de ataques DDoS. Os pesquisadores visam superar os limites impostos pelos sistemas de segurança reativos na detecção de intrusão e avaliar a necessidade de implantação de sistemas IPSs na rede.…”

Section: Análise De Dados E Predição Dos Ataquesunclassified