一个新的多尺度CNN和Bi-LSTM仲裁密集网络模型,用于低速率的DDoS攻击检测和检测
Xiaochun Yin1, Wei Fang2, Zengguang Liu3
1Shandong Provincial University Laboratory for Protected Horticulture, Weifang Key Laboratory of Blockchain on Agricultural Vegetables, Weifang University of Science and Technology, Weifang, 262700, China.
Scientific reports
|March 1, 2024
概括
本研究引入了一种新模型,用于检测云网络中的低速分布式拒绝服务 (LDDoS) 攻击. 新的多尺度CNN和双LSTM仲裁密集网络 (MSCBL-DNA) 提高了检测准确性和速度,即使数据有限.
科学领域:
- 云计算安全 云计算安全
- 网络入侵检测 网络入侵检测
- 机器学习用于网络安全
背景情况:
- 低速分布式拒绝服务 (LDDoS) 攻击对云计算网络构成重大安全风险.
- 这些隐形攻击降低了网络服务质量,并造成了数据规模的挑战.
- 现有的检测模型在LDDoS攻击的准确性和时间效率方面扎,尤其是有限的数据集.
研究的目的:
- 为有效学习和检测LDDoS攻击行为提出一种新型模型.
- 解决现有方法在检测准确性和时间消耗方面的局限性.
- 开发一种强大的解决方案,用于识别隐形,低速攻击流量.
主要方法:
- 一个多尺度的卷积神经网络 (CNN) 和双向的长期短期记忆 (bi-LSTM) 仲裁密集网络 (MSCBL-ADN) 模型被开发出来.
- 在最初的空间特征提取中使用了CNN,并补充了bi-LSTM用于时间关系分析.
- 使用仲裁网络重新权衡特征重要性,然后使用2个区块密集网络进行最终分类.
主要成果:
- 拟议的MSCBL-DNA模型显示了检测准确度的显著改善.
- 与现有的最先进的方法相比,该模型表现出优越的时间性能.
- 在ISCX-2016-SlowDos数据集上的实验结果验证了该模型的有效性.
结论:
- 该MSCBL-DNA模型提供了一个高度有效的解决方案,用于检测云环境中的LDDoS攻击.
- 该模型实现了高精度和效率,即使在有限的数据和时间限制的条件下.
- 这项研究在网络安全和入侵检测领域取得了宝贵的进步.
