针对DDoS云检测的新型机器学习方法:基于贝叶斯的CNN和数据融合增强
Ibtihal AlSaleh1, Aida Al-Samawi1, Liyth Nissirat1
1College of Computer Sciences and Information Technology, Department of Computer Networks, King Faisal University, Al-Ahsa 31982, Saudi Arabia.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
本研究介绍了一种机器学习模型,用于检测云环境中的分布式拒绝服务 (DDoS) 攻击,实现高精度. 先进的 BaysFusCNN 方法进一步提高了云安全的检测可靠性.
科学领域:
- 云计算安全 云计算安全
- 机器学习应用 机器学习应用
- 网络安全威胁检测检测
背景情况:
- 云计算的采用广泛,有95%的企业使用云计算技术,79%的企业正在迁移工作负载.
- 云环境面临着重大网络安全风险,包括网络漏洞和分布式拒绝服务 (DDoS) 攻击.
- 传统的入侵检测系统 (IDS) 在有效检测云中复杂的DDoS攻击方面存在局限性.
研究的目的:
- 开发一种创新的机器学习方法,用于在云计算中增强DDoS攻击检测.
- 提高云基础设施内入侵检测系统 (IDS) 的准确性和可靠性.
- 解决云环境中识别和减轻DDoS威胁的现有方法的局限性.
主要方法:
- 提出了一个基于贝叶斯的卷积神经网络 (BaysCNN) 模型用于DDoS云检测.
- 利用了88个特征的CICDDoS2019数据集,并应用了主要组件分析 (PCA) 来减少维度.
- 开发了一种增强的数据融合 BaysFusCNN 方法,结合贝叶斯的不确定性估计方法和多源特征集成.
主要成果:
- 贝斯CNN模型在检测13个多类DDoS攻击时实现了99.66%的平均准确性.
- 数据融合 BaysFusCNN 方法在相同的 13 个多类攻击中进一步提高了准确率至 99.79%.
- 拟议的模型显示了DDoS云检测准确性和可靠性的显著改进.
结论:
- 开发的机器学习模型为在云环境中检测DDoS攻击提供了强大的解决方案.
- 这些发现为创建基于机器学习的先进,可靠和可扩展的IDS提供了宝贵的见解.
- 该方法使组织能够主动减轻云安全风险,并加强对网络攻击的防御.
