• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Botnet Detection Using Graph Based Feature Clustering
【24h】

Botnet Detection Using Graph Based Feature Clustering

机译：使用基于图的特征聚类进行僵尸网络检测

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Detecting botnets in a network is crucial because bot-activities impact numerous areas such as security, finance, health care, and law enforcement. Most existing rule and flow-based detection methods may not be capable of detecting bot-activities in an efficient manner. Hence, designing a robust botnet-detection method is of high significance. In this study, we propose a botnet-detection methodology based on graph-based features. Self-Organizing Map is applied to establish the clusters of nodes in the network based on these features. Our method is capable of isolating bots in small clusters while containing most normal nodes in the big-clusters. A filtering procedure is also developed to further enhance the algorithm efficiency by removing inactive nodes from bot detection. The methodology is verified using real-world CTU-13 and ISCX botnet datasets and benchmarked against classification-based detection methods. The results show that our proposed method can efficiently detect the bots despite their varying behaviors.
机译：检测网络中的僵尸网络至关重要，因为僵尸网络活动会影响安全，财务，医疗保健和执法等众多领域。大多数现有的基于规则和基于流的检测方法可能无法以有效方式检测机器人活动。因此，设计鲁棒的僵尸网络检测方法具有重要意义。在这项研究中，我们提出了一种基于图的特征的僵尸网络检测方法。自组织图基于这些功能被应用于在网络中建立节点的集群。我们的方法能够隔离小型群集中的漫游器，同时在大型群集中包含大多数正常节点。还开发了一种过滤程序，通过从bot检测中删除不活动的节点来进一步提高算法效率。使用实际的CTU-13和ISCX僵尸网络数据集验证了该方法，并针对基于分类的检测方法进行了基准测试。结果表明，我们提出的方法可以有效地检测机器人，尽管它们的行为各不相同。

著录项

  • 作者

    Akula, Ravi Kiran.;

  • 作者单位

    Mississippi State University.;

  • 授予单位 Mississippi State University.;
  • 学科 Industrial engineering.
  • 学位 M.S.
  • 年度 2018
  • 页码 69 p.
  • 总页数 69
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号