SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 40 Sayı: 3

Yazılım tanımlı ağlar açısından dağıtılmış hizmet reddi doğrultusundaki saldırılara yönelik veri katmanı tabanlı sistem ve gerçek zamanlı saldırıların önlenmesi

Kenan Erdoğan(Gazi üniversitesi, Fen Bilimleri Enst.)0000-0002-6342-2169
Yasin Genç(GAZİ ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0003-2271-9668
Nursel Akçam(GAZİ ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0003-0585-3988
Erkan Afacan(GAZİ ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0003-4025-6847
Pages
2087–2102
Publication Date
2025-08-21
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu makalede AVANT-GUARD, CIDS, StateSec ve SDNScore veri katmanı tabanlı DDoS savunma sistemleri karşılaştırılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu makale, Dağıtılmış Hizmet Reddi (Distributed denial of service - DDoS) saldırıları altında başarısızlığa yol açabilen Yazılım Tanımlı Ağ (Software Defined Network - SDN)’ların temel problemlerine açıklık getirmeyi amaçlamaktadır.
📊
Key Findings & Data:Bunun yanı sıra, makalede DDoS saldırılarını etkin bir şekilde tespit edebilen savunma mekanizması da sunulmaktadır.
💡
Conclusion & Impact:Bu makalede AVANT-GUARD, CIDS, StateSec ve SDNScore veri katmanı tabanlı DDoS savunma sistemleri karşılaştırılmıştır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Dağıtılmış Hizmet Reddi Saldırıları · Yazılım Tanımlı Ağlar · Savunma Sistemleri

Özet

Bu makale, Dağıtılmış Hizmet Reddi (Distributed denial of service - DDoS) saldırıları altında başarısızlığa yol açabilen Yazılım Tanımlı Ağ (Software Defined Network - SDN)’ların temel problemlerine açıklık getirmeyi amaçlamaktadır. Bunun yanı sıra, makalede DDoS saldırılarını etkin bir şekilde tespit edebilen savunma mekanizması da sunulmaktadır. SDN katmanında Nesnelerin İnterneti (Internet of Things - IoT) ağlarına yönelik hali hazırdaki güvenlik yaklaşımlarının eksikliklerini gidermek amacıyla, gerçek zamanlı bir saldırı tespit ve önleme sisteminin oluşturulması amaçlanmıştır. Makalede veri katmanı tabanlı bir yöntemin en iyi performansı ortaya koymasına yönelik karşılaması gereken bazı gereksinimler ifade edilmiştir. Bu gereksinimler göz önüne alınarak, bir SDN’ın her uç anahtarının istatistiklerini topladığı ve gelen paketlere istatistiksel tabanlı algılama algoritmaları uyguladığı MiddleModule çerçevesi sağlanmaktadır. Çalışmada, MiddleModule sisteminin daha geniş bir ağ/aktarım katmanında DDoS saldırı setini kapsadığı saptanmıştır. Bu makalede AVANT-GUARD, CIDS, StateSec ve SDNScore veri katmanı tabanlı DDoS savunma sistemleri karşılaştırılmıştır.

🔖

Cite This Article

Erdoğan, K., Genç, Y., Akçam, N., Afacan, E. (2025). Yazılım tanımlı ağlar açısından dağıtılmış hizmet reddi doğrultusundaki saldırılara yönelik veri katmanı tabanlı sistem ve gerçek zamanlı saldırıların önlenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 40 Sayı: 3, 2087–2102. https://doi.org/10.17341/gazimmfd.1524120

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (36)

  1. Zargar S.T., Joshi J., Tipper D., A survey of defense mechanisms against distributed denial of service (DDoS) flooding attacks. IEEE Communications Surveys & Tutorials, 15 (4), 2046-2069, 2013.
  2. Owusu E., Rahouti M., Jagatheesaperumal S. K., Xiong K., Xin Y., Lu L., Online Network DoS/DDoS Detection: Sampling, Change Point Detection, and Machine Learning Methods. IEEE Communications Surveys & Tutorials, 2024.
  3. Yan Q., Yu F. R., Gong Q., Li J., Software-defined networking (SDN) and distributed denial of service (DDoS) attacks in cloud computing environments: A survey, some research issues, and challenges. IEEE Communications Surveys & Tutorials, 18 (1), 602-622, 2015.
  4. Kaur A., Krishna C. R., Patil N. V., K-DDoS-SDN: A distributed DDoS attacks detection approach for protecting SDN environment. Concurrency and Computation: Practice and Experience, 36, 2024.
  5. Singh C., Jain A. K., A comprehensive survey on DDoS attacks detection & mitigation in SDN-IoT network. e-Prime - Advances in Electrical Engineering, Electronics and Energy, 8, 2024.
  6. Kalkan K., Gür G., Alagöz F., SDNScore: A statistical defense mechanism against DDoS attacks in SDN environment. IEEE Symposium on Computers and Communications (ISCC), 669-675, 2017.
  7. Gökrem L., Bozuklu M., Nesnelerin interneti: yapılan çalışmalar ve ülkemizdeki mevcut durum. Gaziosmanpaşa Bilimsel Araştırma Dergisi, (13) 47-68, 2016.
  8. Koroniotis N., Moustafa N., Sitnikova E., Turnbull B., Towards the development of realistic botnet dataset in the internet of things for network forensic analytics: Bot-iot dataset. Future Generation Computer Systems, 100, 779-796, 2019.
  9. Shin S., Yegneswaran V., Porras P., Gu G., Avant-guard: Scalable and vigilant switch flow management in software-defined networks. In Proceedings of the 2013 ACM SIGSAC conference on Computer & communications security, 413-424, 2013.
  10. Chen X., Yu S., A collaborative intrusion detection system against DDoS for SDN. IEICE Transactions on Information and Systems, 99 (9), 2395-2399, 2016.
  11. Boite J., Nardin P.A., Rebecchi F., Bouet M., Conan V., Statesec: Stateful monitoring for DDoS protection in software defined networks. In 2017 IEEE conference on network softwarization (NetSoft), 1-9, IEEE 2017.
  12. Shukla P., Krishna C. R., Patil N. V., Iot traffic-based DDoS attacks detection mechanisms: A comprehensive review. The Journal of Supercomputing, 80, 9986-10043, 2024.
  13. Genç Y., Afacan E., Identity-Based Encryption in the Internet of Things, 2021 29th Signal Processing and Communications Applications Conference (SIU) IEEE, 1-4, 2021.
  14. Sharma A., Thangaraj V., Intelligent service placement algorithm based on DDQN and prioritized experience replay in IoT-Fog computing environment. Internet of Things, 25, 2024.
  15. Rathore, S., and Park, J. H., Semi-supervised learning based distributed attack detection framework for IoT. Applied Soft Computing, 72, 79-89, 2018.
  16. Evmorfos, S., Vlachodimitropoulos, G., Bakalos, N., and Gelenbe, E., Neural network architectures for the detection of SYN flood attacks in IoT systems. In Proceedings of the 13th ACM International Conference on PErvasive Technologies Related to Assistive Environments, 1-4, 2020.
  17. Soe, Y. N., Feng, Y., Santosa, P. I., Hartanto, R., and Sakurai, K., Machine learning-based IoT-botnet attack detection with sequential architecture. Sensors, 20 (16), 4372, 2020.
  18. Alqahtani, M., Mathkour, H., and Ben Ismail, M. M., IoT botnet attack detection based on optimized extreme gradient boosting and feature selection. Sensors, 20 (21), 6336, 2020.
  19. Ravi N., Shalinie S.M., Learning-driven detection and mitigation of DDoS attack in IoT via SDN-cloud architecture, IEEE Internet of Things Journal, 7 (4), 3559-3570, 2020.
  20. Galeano-Brajones, J., Carmona-Murillo, J., Valenzuela-Valdés, J. F., and Luna-Valero, F., Detection and mitigation of DoS and DDoS attacks in IoT-based stateful SDN: An experimental approach. Sensors, 20 (3), 816, 2020.
  21. Amangele, P., Reed, M. J., Al-Naday, M., Thomos, N., and Nowak, M., Hierarchical machine learning for IoT anomaly detection in SDN. In 2019 International Conference on Information Technologies (InfoTech) IEEE, 1-4, 2019.
  22. Derhab, A., Guerroumi, M., Gumaei, A., Maglaras, L., Ferrag, M. A., Mukherjee, M., and Khan, F. A., Blockchain and random subspace learning-based IDS for SDN-enabled industrial IoT security. Sensors, 19 (14), 3119, 2019.
  23. Wang, M., Zheng, K., Yang, Y., and Wang, X., An explainable machine learning framework for intrusion detection systems. IEEE Access, 8, 73127-73141, 2020.
  24. Gündüz S., Sağıroğlu Ş., Design and evaluation of a controller for energy efficient security management and traffic routing in SDN/NFV based 5G networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (1), 1-16, 2022.
  25. Tonkal Ö., Polat H., Traffic Classification and Comparative Analysis with Machine Learning Algorithms in Software Defined Networks. GUJ Sci, Part C, 9 (1), 071-083, 2021.
  26. Kreutz D., Ramos F.M., Verissimo P.E., Rothenberg C.E., Azodolmolky S., Uhlig S., Software-defined networking: A comprehensive survey. Proceedings of the IEEE, 103 (1), 14-76, 2014.
  27. Alharbi T., Layeghy S., Portmann M., Experimental evaluation of the impact of DoS attacks in SDN. In 2017 27th International Telecommunication Networks and Applications Conference (ITNAC), 1-6, 2017.
  28. Lim S., Yang S., Kim Y., Yang S., Kim H., Controller scheduling for continued SDN operation under DDoS attacks. Electronics Letters, 51 (16), 1259-1261, 2015.
  29. Lau W., Wong K., Cui L., Optimizing the performance of OpenFlow Protocol over QUIC. Journal of Network and Computer Applications, 226, 2024.
  30. Mckeown N., Anderson T., Balakrishnan H., Parulkar G., Peterson L., Rexford J., OpenFlow: enabling innovation in campus networks. ACM SIGCOMM Computer Communication Review, 38 (2), 69-74, 2008.
  31. Mostafaei H., Menth M., Software-defined wireless sensor networks: A survey. Journal of Network and Computer Applications, 119, 42-56, 2018.
  32. Barakabitze A.A., Ahmad A., Mijumbi R., Hines A., 5G network slicing using SDN and NFV: A survey of taxonomy, architectures and future challenges. Computer Networks, 167, 1-5, 2020.
  33. Polat H., Polat O., Cetin A., Detecting DDoS Attacks in Software-Defined Networks Through Feature Selection Methods and Machine Learning Model. Sustainability, 2020.
  34. OMNET ++ 4.2 platformu için erişim adresi: https://omnetpp.org/, 08.01.2025.
  35. Mininet platformu için erişim adresi: https://mininet.org/, 08.01.2025.
  36. Tavallaee, M. Bagheri, E., Lu, W and Ghorbani, A. A., A detailed analysis of the KDD CUP 99 data set, in 2009 IEEE Symposium on Computational Intelligence for Security and Defense Applications, 2009.