Work

Cross-Framework Evaluation of DDoS Attack Detection: Assessing Machine Learning Classifiers and Feature Selection in Weka and Orange3

Year: 2026
Type: article
Abstract: يُعد التنبؤ بهجمات حجب الخدمة الموزعة (DDoS) مهمة معقدة نظراً للتشابه الكبير بين أنماط الهجوم وحركة المرور الطبيعية للشبكة. وتكمن الصعوبة في إيجاد الخوارزمية الأفضل من بين 10 خوارزميات شائعة لتعلم الآلة. تُظهر العديد من الدراسات السابقة قصوراً ملحوظاً، حيث تعتمد غالباً على قاعدة بيانات واحدة وأداة تجريبية واحدة (مثل: Weka)، دون إجراء مقارنة شاملة تحت ظروف إعداد موحدة. وهذا يحد من القدرة على تحديد الخوارزميات الأكثر كفاءة من حيث الدقة واستهلاك الموارد. تقارن هذه الدراسة بين عشر خوارزميات لتعلم الآلة تم تطبيقها في برمجيات Weka و Orange3، بما في ذلك الخوارزميات المشتركة وتلك الخاصة بكل منصة، مع استخدام تقنيات التحسين وبدونها. ويتمثل الهدف في تحديد الخوارزمية الأكثر فعالية بشكل عام، وتحديد النظام الأساسي الذي يقدم أداءً أفضل للخوارزميات المتاحة في كلتا المنصتين. تم استخدام النسخ المحسنة من قواعد البيانات المعيارية CICDDoS2019 و CICDoS2017 لأغراض التقييم. وقُسمت قواعد البيانات بنسب (70% للتدريب و 30% للاختبار) ونسب (80% للتدريب و 20% للاختبار) على التوالي. أشارت النتائج إلى أن خوارزمية J48 حققت أعلى دقة على قاعدة بيانات CICDDoS2019 دون استخدام أي خوارزمية لاختيار الميزات، بنسبة بلغت 99.95%، واستغرقت 258.14 ثانية للتدريب و 0.37 ثانية للاختبار. في المقابل، حققت الخوارزمية نفسها باستخدام تقنية "نسبة كسب المعلومات" (Information gain ratio) أعلى دقة على قاعدة بيانات CICDoS2017 بنسبة بلغت 99.3%، واستغرقت 20.58 ثانية للتدريب و 0.12 ثانية للاختبار. تكمن المساهمة العلمية لهذا البحث في تعزيز شمولية الخوارزميات والتقنيات المستهدفة واستخدام أداتين برمجيتين داخل دراسة واحدة، مما وفر مقارنة أكثر موضوعية مقارنة بالبحوث السابقة.
Institution: University of Derna
Language: English
Open Access status: diamond
OpenAlex ID: W7221260040
FWCI:
Cites: 17
Cited by:
Related to: 10