حملات محروم سازی از خدمات توزیع شده (DDoS) با ایجاد حجم عظیمی از ترافیک از منابع متعدد و اشباع سیستم های هدف، یکی از تهدیدهای جدی علیه شبکه ها و سامانه های رایانه ای به شمار می روند. ازاین رو، تشخیص بلادرنگ این حملات به یکی از وظایف مهم در حوزه امنیت سایبری تبدیل شده است. بااین حال، بسیاری از روش های موجود برای تشخیص حملات DDoS با چالش هایی همچون نرخ بالای مثبت کاذب و توانایی محدود در شناسایی الگوهای پیچیده ترافیک حمله مواجه هستند. در این پژوهش، یک رویکرد بهبودیافته برای تشخیص حملات DDoS ارائه شده است که در آن، یک روش انتخاب ویژگی ترکیبی با طبقه بندهای گروهی (Ensemble-based) تلفیق می شود. در رویکرد گروهی، با ترکیب تعداد زیادی درخت تصمیم، دقت طبقه بندی افزایش یافته و احتمال بیش برازش کاهش می یابد؛ در نتیجه، استحکام مدل نیز بهبود پیدا می کند. روش انتخاب ویژگی پیشنهادی با ترکیب تحلیل همبستگی (Correlation Analysis)، اطلاعات متقابل (Mutual Information) و تحلیل مؤلفه های اصلی (Principal Component Analysis)، ویژگی های مؤثرتر برای تشخیص حملات را شناسایی می کند. در میان روش های مختلف یادگیری ماشین گروهی، طبقه بند جنگل تصادفی گروهی (Ensemble Random Forest) با استفاده از ویژگی های منتخب، بهترین عملکرد تشخیصی را ارائه می دهد. مدل پیشنهادی با استفاده از چندین مجموعه داده عمومی مرتبط با تشخیص حملات DDoS ارزیابی شده است. نتایج تجربی نشان می دهند که این مدل از نظر معیارهایی همچون دقت (Accuracy)، بازخوانی (Recall)، صحت (Precision)، امتیاز F1 و نرخ مثبت کاذب (False Positive Rate)، عملکرد بهتری نسبت به روش های موجود دارد. نتایج نشان می دهد که رویکرد پیشنهادی به دقتی نزدیک به ۱۰۰ درصد، نرخ مثبت واقعی (TPR) برابر با ۱۰۰ درصد و نرخ خطای ۰ درصد دست یافته است. این نتایج، روش پیشنهادی را به راهکاری نویدبخش برای تشخیص مؤثر حملات DDoS تبدیل می کند.

حملات DDoS؛ تشخیص حملات DDoS؛ انتخاب ویژگی ترکیبی؛ یادگیری ماشین گروهی؛ تشخیص حملات DDoS مبتنی بر روش های گروهی؛ جنگل تصادفی گروهی؛ امنیت سایبری