相关概念视频
您也可能阅读
相关文章
通过共同作者、期刊和引用图与本文相关的文章。
排序
Same author
Utilizing TabNet Deep Learning for Elephant Flow Detection by Analyzing Information in First Packet Headers.
Entropy (Basel, Switzerland)·2024
通过合成用户行为检测DoS攻击,使用长期短期内存网络.
Patrycja Nędza1, Jerzy Domżał1
1Faculty of Computer Science, Electronics and Telecommunications, AGH University of Krakow, 30-059 Krakow, Poland.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
机器学习 (ML) 可以生成现实的行为遥测数据来模仿合法用户活动,帮助执行复杂的拒绝服务 (DoS) 攻击. 积极开发机器学习驱动的防御对不断发展的网络威胁至关重要.
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:
- 现代拒绝服务 (DoS) 攻击的规模和复杂性正在增加.
- 越来越需要了解和应对机器学习 (ML) 在执行和防御这些攻击中的作用.
研究的目的:
- 研究ML的潜力,特别是长期短期记忆 (LSTM) 网络,在生成行为遥测数据方面.
- 探索使用ML来创建看似合法的伪造网络流量.
主要方法:
- 开发了一个定制的测试环境,以捕获和分析用户交互,如鼠标和键盘事件.
- 长期短期记忆 (LSTM) 网络被用来生成行为数据.
主要成果:
- 该研究表明了ML模型能够生成合成行为遥测数据的能力.
- 生成的数据可以用来创建伪造的流量,使得攻击更难被检测.
结论:
- 虽然目前的经济因素限制了这种机器学习驱动攻击的直接威胁,但未来的技术进步可能会增加它的可行性.
- 持续的研究和积极开发对策对于应对不断变化的网络威胁和防范复杂的DoS攻击至关重要.
