使用监督机器学习算法进行分布式拒绝服务 (DDOS) 攻击检测

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 网络安全 网络安全

背景情况:

• 分布式拒绝服务 (DDoS) 攻击对在线服务构成重大威胁,导致服务中断.
• 有效地检测DDoS攻击对于保持电子商务,金融和在线平台的完整性至关重要.
• 监督机器学习为识别和减轻这些恶意网络活动提供了一个有希望的方法.

研究的目的:

• 提出和评估基于PCA的增强分布式DDoS攻击检测 (EDAD) 框架.
• 评估各种监督机器学习算法的性能,以检测DDoS攻击.
• 确定最有效的机器学习模型来区分正常和攻击网络流量.

主要方法:

• 在EDAD框架内使用原则组件分析 (PCA) 进行特征选择.
• 实施并比较监督机器学习模型:支持矢量机器 (SVM),物流回归 (LR),随机森林 (RF),K-最近邻居 (KNN) 和决策树 (DT).
• 通过使用CICIDS2018,CICIDS2017和CICDDoS-2019基准数据集评估模型性能.

主要成果:

• 随机森林 (RF) 在CICIDS2017数据集中获得了最高的准确性 (98.9%).
• 在CICDDoS2019数据集中,RF和K-Nearest Neighbours (KNN) 显示了高准确度 (98.7%).
• 支持矢量机 (SVM) 在CICIDS2018数据集中实现了最高准确率 (98.7%).

结论:

• 拟议的EDAD框架与机器学习相结合,可以有效地检测DDoS攻击.
• 不同的机器学习模型在不同的数据集中显示不同的性能,突出显示了对数据集特定优化的需求.
• 在评估的数据集中,RF,KNN和SVM被确定为DDoS攻击检测的高度准确模型.