การพัฒนาแบบจำลองตรวจจับการโจมตีปฏิเสธการให้บริการแบบกระจายบนเราเตอร์ไมโครติก

Model development for detecting distributed denial-of-service attacks on Mikrotik routers

Name: จีระวัฒน์ พรทรัพยกุล

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรม

Email : S6607011857030@email.kmutnb.ac.th

Name: ผุสดี บุญรอด

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรม

Email : pudsadee.b@itd.kmutnb.ac.th

keyword: การโจมตีแบบปฏิเสธการให้บริการแบบกระจาย

ThaSH: การเรียนรู้ของเครื่อง

; เราเตอร์ไมโครติก

ThaSH: การคุกคามทางอินเทอร์เน็ต -- การป้องกัน

ThaSH: เครือข่ายคอมพิวเตอร์ -- มาตรการความมั่นคง

Abstract: การโจมตีแบบปฏิเสธการให้บริการแบบกระจายเป็นภัยคุกคามร้ายแรงต่อเสถียรภาพและประสิทธิภาพของระบบเครือข่าย โดยเฉพาะอย่างยิ่งกับอุปกรณ์ที่มีข้อจำกัดด้านทรัพยากร งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการเรียนรู้ของเครื่องสำหรับตรวจจับการโจมตีแบบปฏิเสธการให้บริการแบบกระจายบนเราเตอร์ไมโครติก ซึ่งใช้ชุดข้อมูลการโจมตีจาก CICIDS 2019 ร่วมกับการดักจับแพ็กเก็ตบนเราเตอร์ไมโครติก เพื่อนำข้อมูลเครือข่ายมาวิเคราะห์และสกัดคุณลักษณะสำคัญ เช่น อัตราการส่งแพ็กเก็ต ขนาดแพ็กเก็ตเฉลี่ย และจำนวนการเชื่อมต่อที่ผิดปกติ โดยข้อมูลที่ได้ถูกนำไปประยุกต์ใช้พัฒนาแบบจำลองการเรียนรู้ของเครื่อง ซึ่งประยุกต์ใช้ 4 วิธีการ ได้แก่ แบบจำลองต้นไม้ตัดสินใจ (Decision Tree) แบบจำลองโครงข่ายประสาทเทียม (Neural Network) แบบจำลองเพื่อนบ้านใกล้ที่สุด (K-Nearest Neighbors) และแบบจำลองเนอีฟเบย์ (Naïve Bayes) เพื่อจำแนกและตรวจจับพฤติกรรมการโจมตี ผลการวิจัยพบว่าแบบจำลองต้นไม้ตัดสินใจให้ค่าความแม่นยำสูงสุด ร้อยละ 99.65 รองลงมาคือ แบบจำลองโครงข่ายประสาทเทียมมีค่าความแม่นยำร้อยละ 99.30 ขณะที่แบบจำลองเพื่อนบ้านใกล้ที่สุดมีค่าความแม่นยำร้อยละ 99.10 และแบบจำลองเนอีฟเบย์มีค่าความแม่นยำที่ร้อยละ 91.00 ซึ่งสามารถนำไปต่อยอดเพื่อพัฒนาระบบเฝ้าระวังและป้องกันการโจมตีแบบปฏิเสธการให้บริการแบบกระจายบนเราเตอร์ไมโครติกได้อย่างมีประสิทธิภาพ

Abstract: A Distributed Denial of Service (DDoS) attacks pose a serious threat to the stability and performance of network systems, especially to devices with limited resources. This research aims to develop a machine learning model for detecting DDoS attacks on Mikrotik routers. The study utilizes attack data from the CICIDS 2019 dataset, combined with real-time packet captures from Mikrotik routers, to analyze and extract key network traffic features such as packet rate, average packet size, and abnormal connection counts. These extracted features are used to build and train machine learning models. Four machine learning techniques are applied: Decision Tree, Neural Network, K-Nearest Neighbors, and Naïve Bayes, to classify and detect attack behaviors. The results show that the Decision Tree model achieved the highest accuracy at 99.65%, followed by the Neural Network at 99.30%, K-Nearest Neighbors at 99.10%, and Naïve Bayes at 91.00%. These findings suggest that the developed models can be effectively applied to enhance surveillance and protection systems against DDoS attacks on Mikrotik routers.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2568

Modified: 2025-12-15

Issued: 2568-12-09

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 21 (NCCIT 2025) (pp.93-98). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 2568

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2025pp.93-98.pdf	647.57 KB

ใช้เวลา

0.033685 วินาที