DDoS_FL: DDoS Saldırısına Karşı Federe Öğrenme Mimarisi Yaklaşımı
Büşra Büyüktanır1, Zeki Çıplak3, Abdullah Emir Çil2, Özlem Yakar2, Mahamoud Brahim Adoum2, Kazım Yıldız11Marmara Üniversitesi, Teknoloji Fakültesi, Bilgisayar Mühendisliği, İstanbul, Türkiye2Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, İstanbul, Türkiye
3İstanbul Gedik Üniversitesi, Bilgisayar Teknolojileri, Bilgisayar Programcılığı, İstanbul, Türkiye
DDoS saldırılarının sıklığı ve karmaşıklığı, internetin büyümesiyle birlikte önemli ölçüde artmış ve ağ güvenliği için ciddi tehditler oluşturmuştur. Geleneksel makine öğrenimi ve derin öğrenme tabanlı tespit sistemleri, genellikle merkezi veri toplama gereksinimi nedeniyle gizlilik ihlalleri, hesaplama maliyetleri ve heterojen veri dağılımına uyum sağlama konularında sınırlamalarla karşılaşmaktadır. Bu çalışma, cihazlar arasında veri paylaşımı gerektirmeden DDoS saldırılarını tespit etmek için federe öğrenme tabanlı bir model olan DDoS_FL’yi önermektedir. Model, hem Independent and Identically Distributed (IDD) hem de Non-Independent and Identically Distributed (Non-IDD) veri dağılımlarında etkinliğini kanıtlamış olup, istemciler arasında veri gizliliğini korurken yüksek tespit doğruluğu sağlamaktadır. Önerilen model, CIC-DDoS2019 veri kümesi kullanılarak eğitilmiş ve farklı DDoS saldırı türlerine karşı test edilmiştir. Deneysel sonuçlar, geleneksel merkezi yaklaşımlara kıyasla federe öğrenmenin eğitim süresini önemli ölçüde azalttığını ve %82 ila %97 arasında değişen tespit doğruluğu elde ettiğini göstermektedir. Ayrıca, istemci sayısına bağlı olarak modelin ölçeklenebilirliği analiz edilmiş ve dağıtık yapısının avantajları ortaya konmuştur. Karşılaştırmalı analizler, önerilen yöntemin hem gizlilik koruması hem de tespit başarımı açısından rekabetçi olduğunu göstermektedir. Bu çalışma, federe öğrenmenin DDoS saldırılarının tespiti için etkili bir yaklaşım sunduğunu ve ağ güvenliğinde önemli bir çözüm olabileceğini ortaya koymaktadır.
Anahtar Kelimeler: DDoS saldırısı, Federe öğrenme, Veri gizliliği, Derin sinir ağı, Derin öğrenme, Bilgi güvenliğiDDoS_FL: Federated Learning Architecture Approach against DDoS Attack
Büşra Büyüktanır1, Zeki Çıplak3, Abdullah Emir Çil2, Özlem Yakar2, Mahamoud Brahim Adoum2, Kazım Yıldız11Marmara University, Technology Faculty, Computer Engineering, İstanbul, Turkey2Marmara University, Institute of Pure and Applied Sciences, Computer Engineering, İstanbul, Turkey
3İstanbul Gedik University, Computer Technologies, Computer Programming, Istanbul, Turkey
The frequency and complexity of DDoS attacks have significantly increased with the growth of the internet, posing severe threats to network security. Traditional machine learning and deep learning-based detection systems often face limitations due to their reliance on centralized data collection, leading to privacy concerns, high computational costs, and challenges in adapting to heterogeneous data distributions. This study proposes DDoS_FL, a federated learning-based model designed to detect DDoS attacks without requiring data sharing between devices. The model has demonstrated effectiveness under both Independent and Identically Distributed (IDD) and Non-Independent and Identically Distributed (Non-IDD) data distributions while preserving data privacy and maintaining high detection accuracy. The proposed model is trained and evaluated using the CIC-DDoS2019 dataset, which includes various types of DDoS attacks. Experimental results show that federated learning significantly reduces training time compared to traditional centralized approaches while achieving detection accuracy ranging from 82% to 97%. Furthermore, the scalability of the model is analyzed based on the number of participating clients, highlighting the advantages of its distributed nature. Comparative analyses confirm that the proposed approach is competitive in both privacy preservation and detection performance. This study demonstrates that federated learning provides an effective solution for detecting DDoS attacks and has significant potential in enhancing network security.
Keywords: DDoS attack, Federated learning, Data privacy, Deep neural network, Deep learning, Information securityMakale Dili: İngilizce