在网络流量中使用深度学习算法检测分布式拒绝服务攻击
Mahrukh Ramzan1, Muhammad Shoaib1, Ayesha Altaf1
1Department of Computer Science, University of Engineering & Technology (UET), Lahore 54890, Pakistan.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
像GRU,LSTM和RNN这样的深度学习模型可以有效地检测分布式拒绝服务 (DDoS) 攻击. 格鲁提供更快的检测时间,增强互联网安全解决方案.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 随着越来越多的IT和云计算采用,互联网安全问题越来越关注.
- 传统的安全措施与复杂的拒绝服务 (DoS) 和分布式拒绝服务 (DDoS) 攻击作斗争.
- 深度学习为检测复杂网络流量攻击提供了先进的功能.
研究的目的:
- 评估用于检测DDoS攻击的深度学习模型.
- 为了比较循环神经网络 (RNN),长期短期记忆 (LSTM) 和梯度循环单元 (GRU) 模型的性能.
- 分析最近数据集的检测准确度和执行时间.
主要方法:
- 使用的深度学习模型:RNN,LSTM和GRU.
- 在CICDDoS2019和CICIDS2017数据集上测试模型.
- 对模型性能进行了比较分析,重点关注准确性和执行时间.
主要成果:
- 所有评估的深度学习模型都在CICDDoS2019数据集上实现了高精度 (0.99).
- 与RNN和LSTM相比,渐变循环单元 (GRU) 的执行时间显著减少.
- 对比分析证实了深度学习对DDoS检测的有效性.
结论:
- 深度学习模型,特别是GRU,为DDoS攻击检测提供了准确和高效的解决方案.
- 该研究提供了一种有效的方法来增强网络安全,防止复杂的攻击.
- 调查结果表明,GRU是DDoS检测的首选模型,因为它的速度和准确性.
