Features Selection Approach for Distributed Denial of Service (DDOS) Attacks
تستكشف هذه الأطروحة مجال الأمن السيبراني، مع التركيز بشكل خاص على هجمات حجب الخدمة الموزعة (DDoS). وتهدف الدراسة إلى تحليل أنماط وسلوك هذا النوع من التهديدات من خلال الاستفادة من البيانات المسجلة بواسطة برامج متخصصة لمراقبة حركة حزم البيانات (Packet Traffic). وتصنف هذه البيانات إلى خصائص محددة لكل نوع من أنواع هجمات DDoS، وذلك باستخدام قاعدة البيانات المقدمة من المعهد الكندي للأمن السيبراني والمطورة باسم CIC2019. وتتضمن الأطروحة تدريب واختبار هذه البيانات باستخدام خوارزميات التعلم الآلي، وتحديداً: شجرة القرار (Decision Tree - DT)، والغابة العشوائية (Random Forest - RF)، وآلة متجه الدعم (Support Vector Machine - SVM)، والخوارزمية الجارة الأقرب (K-Nearest Neighbors - KNN). وقد تم إجراء عمليات التدريب والاختبار باستخدام هذه الخوارزميات، وأظهرت خوارزمية الغابة العشوائية (RF) كفاءتها العالية من خلال تحقيق أوقات تنفيذ سريعة ونتائج عالية الدقة بلغت 99.9%. بالإضافة إلى ذلك، تم تطبيق تقنيات تقليل الخصائص (Feature Reduction) لتحسين أداء الخوارزميات وتقليل زمن التنفيذ. ومن خلال تحديد أولويات الخصائص الأكثر أهمية واستبعاد الخصائص غير ذات الصلة، تم تحقيق تحسينات جوهرية أدت إلى تقليل زمن التنفيذ بشكل كبير لِيُقاس بأجزاء من الثانية، دون أن تتأثر الدقة حيث حافظت على مستواها العالي بنسبة 99.9%. وهو ما يؤكد أثر تقليل الخصائص في تحسين أداء التحليل وتخفيف الأعباء الحسابية. وبشكل عام، تقدم هذه الأطروحة نتائج مفيدة وتطورات قيمة في مجال تحليل وهجمات DDoS وتصنيفها. وتعد النتائج المحققة، والتي تميزت بدقتها وكفاءتها العاليتين، إسهاماً بارزاً في تطوير استراتيجيات دفاعية قوية ضد هجمات DDoS وتعزيز أنظمة الكشف عنها.