一个新的优化驱动的深度学习框架,用于检测DDoS攻击
Raj Kumar Batchu1, Thulasi Bikku2, Srinivasarao Thota3
1Department of Computer Science and Engineering, Amrita School of Computing, Amrita Vishwa Vidyapeetham, Amaravati, Andhra Pradesh, 522503, India. b_rajkumar@av.amrita.edu.
Scientific reports
|November 14, 2024
概括
本研究介绍了一种有效的入侵检测系统,用于打击云计算中的分布式拒绝服务 (DDoS) 攻击. 深度学习方法显著提高了DDoS攻击检测准确度,提高了网络安全.
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:
- 分布式拒绝服务 (DDoS) 攻击对云计算和网络服务构成重大威胁.
- 这些攻击导致服务不可用,造成巨大的财务和声誉损害.
- 有效的威胁识别对于减轻收入损失和提高品牌声誉至关重要.
研究的目的:
- 实施有效的入侵检测系统 (IDS) 来识别DDoS攻击.
- 利用深度学习技术,在云环境中加强威胁检测.
- 为了最大限度地减少数据集中的偏差,并提高攻击分类的准确性.
主要方法:
- 一个三个阶段的框架:数据预处理,使用条件生成对抗网络 (CGAN) 进行数据平衡,以及分类.
- 分类是使用一个由火-黑寡妇 (FA-BW) 混合算法优化的堆叠稀疏排斥自编码器 (SSDAE) 进行的.
- 使用CICDDoS2019数据集验证了实验,并与现有技术进行了比较.
主要成果:
- 与其他方法相比,拟议的深度学习框架在检测DDoS攻击方面表现出明显更高的准确性.
- 有条件的GAN有效地减少了对数据集中的多数类的偏差.
- 具有FA-BW优化的SSDAE在区分攻击和良性流量方面被证明是有效的.
结论:
- 先进的深度学习技术和混合优化算法在加强对DDoS威胁的网络安全方面发挥着重要作用.
- 开发的入侵检测系统为减轻DDoS攻击的影响提供了强大的解决方案.
- 这项研究强调了人工智能驱动的方法在主动网络安全方面的潜力.
