Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

安全的联合学习与metaheuristic优化缩小维度和多头注意力,以缓解DDoS攻击.

Adwan A Alanazi1, Ashrf Althbiti2, Sara Abdelwahab Ghorashi3

  • 1Department of Computer Science and Information, College of Computer Science and Engineering, University of Hail, Hail, Saudi Arabia.

Scientific reports
|September 26, 2025
PubMed
概括

相关概念视频

Collisions in Multiple Dimensions: Problem Solving01:06

Collisions in Multiple Dimensions: Problem Solving

5.3K
In multiple dimensions, the conservation of momentum applies in each direction independently. Hence, to solve collisions in multiple dimensions, we should write down the momentum conservation in each direction separately. To help understand collisions in multiple dimensions, consider an example.
A small car of mass 1,200 kg traveling east at 60 km/h collides at an intersection with a truck of mass 3,000 kg traveling due north at 40 km/h. The two vehicles are locked together. What is the...
5.3K
Collisions in Multiple Dimensions: Introduction01:05

Collisions in Multiple Dimensions: Introduction

6.5K
It is far more common for collisions to occur in two dimensions; that is, the initial velocity vectors are neither parallel nor antiparallel to each other. Let's see what complications arise from this. The first idea is that momentum is a vector. Like all vectors, it can be expressed as a sum of perpendicular components (usually, though not always, an x-component and a y-component, and a z-component if necessary). Thus, when the statement of conservation of momentum is written for a...
6.5K

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

Integrated CT-PET radiogenomics and graph-based multi-task learning for preoperative prediction of key glioma molecular markers.

Neuroradiology·2026
Same author

Secure Elliptic Galois Cryptography Framework for robust real-time vehicle image classification using convolutional sparse autoencoder in intelligent transportation systems.

Scientific reports·2026
Same author

Football cybersecurity threat severity prediction using multi-head transformer-based deep learning models.

Scientific reports·2026
Same author

Sol-gel synthesized calcium borate glass and glass-ceramics: effect of CrCl<sub>3</sub> doping on structure, mechanics, and gamma-ray shielding efficiency.

Scientific reports·2026
Same author

Retraction notice to "Green synthesis of zinc oxide nanoparticles from Sida acuta leaf extract for antibacterial and antioxidant applications, and catalytic degradation of dye through the use of convolutional neural network" [Environ. Res. 258 (2024) 119204].

Environmental research·2026
Same author

A multiscale transformer with spatial attention for hyperspectral image classification.

Scientific reports·2026

本研究介绍了一种新的Metaheuristic驱动的维度减少,用于使用深度学习模型 (MDRRAD-DLM) 进行强大的攻击防御,以打击物联网 (IoT) 环境中的分布式拒绝服务 (DDoS) 攻击,实现高精度.

科学领域:

  • 网络安全 网络安全
  • 机器学习 机器学习
  • 物联网 (IoT) 的物联网 (IoT) 的物联网.

背景情况:

  • 分布式拒绝服务 (DDoS) 攻击对物联网 (IoT) 环境构成重大威胁,影响电子商务,政府和银行系统.
  • 联合学习 (FL) 提供了一种保护隐私的方法,用于训练分散数据的深度学习 (DL) 模型,解决网络安全方面的挑战.
  • 有效的实时检测和缓解策略对于保护物联网设备免受不断变化的网络威胁至关重要.

研究的目的:

  • 提出一种有效的方法来检测和减轻分布式拒绝服务 (DDoS) 攻击在现实世界的物联网 (IoT) 应用程序.
  • 提高深度学习模型在识别和防御网络攻击方面的稳定性和准确性.
  • 利用元启发式优化技术,在攻击防御模型中改进功能选择和参数调整.

主要方法:

  • 开发了使用深度学习模型 (MDRRAD-DLM) 的强有力的攻击防御的元启发式驱动维度减少方法.
  • 数据预处理涉及Z分数规范化,随后使用优化 (PO) 技术进行特征选择.
  • 攻击分类是使用时间卷积网络与多头注意力和双向门循环单元 (TCN-MHA-Bi-GRU) 进行的,参数由羊群优化器 (EHO) 优化.

主要成果:

  • 在检测DDoS攻击方面,MDRRAD-DLM方法表现出卓越的性能.
关键词:
针对DDoS的防御方式数据预处理数据的预处理.深度学习是一种深度学习.缩小尺寸的缩小方式鹿群优化器 鹿群优化器这就是为什么物联网是物联网物联网.现实世界的应用程序.

相关实验视频

  • 在NSLKDD和CIC-IDS2017数据集的实验验证结果分别为99.14%和99.41%的高准确率.
  • 提出的方法有效地确定了重要的特征,并优化了模型参数,以实现强大的攻击防御.

    • 结论:

    • 在物联网环境中,MDRRAD-DLM方法为实时DDoS攻击的检测和缓解提供了有效的解决方案.
    • 将元启发式优化与深度学习相结合,提高了网络安全防御的准确性和可靠性.
    • 这项研究强调了先进的机器学习技术在保护不断扩大的物联网设备领域的潜力.