چکیده:
گسترش روزافزون تهدید بات نت و توسعه بسترهای جدید استقرار باتنت مانند اینترنت اشیا، لزوم مقابله را نشان می دهد. پژوهشهایی که در حوزه تشخیص باتنت مبتنی بر روشهای یادگیری ماشین انجام شده است؛ نشان میدهد این روشها کارایی لازم را جهت تشخیص باتنت دارند. این درحالی است که عدم وجود یک مجموعه دادگان استاندارد در این حوزه، یکی از چالش ها در سامانه های تشخیص باتنت است که موجب افزایش نرخ خطا و کاهش نرخ تشخیص در محیط واقعی می شود. در این مقاله، ترافیک عادی و بات نت با ارایه روشی مبتنی بر بردار فاصله مینکوفسکی تحلیل شده است. نتایج مقاله نشان می دهد که جریان ترافیک عادی، مرحله انتخاب و استخراج ویژگی را با تغییر در اهمیت ویژگیها موثر می کند. این روش به ویژگیها بر اساس نزدیک نمودن بردارهای رفتاری بات-بات و دور نمودن بردارهای رفتاری بات عادی امتیاز میدهد. نتایج این آزمایشها بر روی ده مجموعه دادگان عادی و سه مجموعه دادگان بات، نشان داد امتیاز یک ویژگی در محیطهایی با ترافیک عادی متفاوت بیش از ۵۰% افزایش یا کاهش دارد.
The growing spread of botnet threats and the development of new platforms for deploying botnets such as
the Internet of Things urges the need for confrontation. Research in the field of botnet detection based on
machine learning methods, shows that these methods have the necessary efficiency for botnet detection. In
this paper, normal and botnet traffic are analyzed by the proposed method based on the Minkowski distance
vector. The results of the article show that normal traffic flow affects the feature selection and extraction
stage by changing the importance of features. This method scores the features based on near bot-bot
behavioral vectors and far bot-normal behavioral vectors. The results of these experiments on ten sets of
normal data and three sets of bot data showed that the score of a feature increases or decreases by more
than 50% in environments with various normal traffic.