انجمن کامپیوتر ایران

از آنجایی که پیش گیری قطعی ار رخداد حملات DDoS ممکن نیست، تشخیص این حملات می تواند گام مهمی در جلوگیری از پیشرفت حمله باشد. در حمله DDoS مهاجم با ارسال بسته‌هایی شبیه به بسته‌های نرمال سعی در سیلابی نمودن ترافیک ماشین قربانی دارند .در نتیجه سیستم تشخیص حمله همه منظوره موفقیت چندانی در تشخیص حملات DDoS ندارد. از سوی دیگر ماهیت توزیع شدگی این حملات، تشخیص آن ها را مشکل‌تر می‌کند. در این مقاله یک روش برای تشخیص این گونه حملات بر مبنای ترکیب پیش پردازنده آماری و شبکه‌های عصبی بدون ناظر ارائه شده است. در این روش ابتدا با در نظر گرفتن مجموعه بسته‌های موجود در یک بازه‌‌‌ی زمانی، ویژگی‌های آماری نشان دهنده رفتار این گونه حملات، ازآنان استخراج شده است. سپس با استفاده از شبکه‌های عصبی بدون ناظر، این ویژگی‌ها تحلیل و دسته‌بندی شده اند. در پایان، این روش با استفاده از ترافیکی که در یک محیط واقعی جمع آوروی شده، ارزیابی شده است.

مساله تطبیق و زمان‌بندی ایستای کارها در سیستم‌های توزیع شده محاسباتی ناهمگن به دلایل استفاده بهینه از ماشین‌های محاسباتی موجود و همچنین صرف زمان کمتر برای اجرای الگوریتم زمان بندی، از اهمیت ویژه‌ای برخوردار است. حل این مساله بااستفاده ا ز الگوریتم‌های کلاسیک چون برنامه نویسی پویا و برگشت به عقب نیاز به زمان محاسبه زیادی دارد، به همین دلیل تلاش‌های بسیاری برای حل آن با استفاده از روش‌های ابتکاری صورت پذیرفته است؛ یکی از این روش‌های ابتکاری، الگوریتم ژنتیک است. در این مقاله الگوریتم ژنتیک جدیدی بنامTDGASA ارائه می‌شود که زمان محاسبه آن وابسته به تعداد کارهای موجود در هر مساله زمان‌بندی است و برای کاهش زمان محاسبه الگوریتم از شبیه‌سازی گداختگی استفاده می‌نماید. با انجام شبیه‌سازی‌ها مشاهده می‌شود که الگوریتم پیشنهادی، زمان محاسبه برای زمان بندی ایستای کارها را به نحو محسوسی کاهش می‌بخشد در حالی که زمان پاسخ یا زمان اتمام آخرین کار در سیستم نیز کاهش اندکی می‌یابد.