使用混合功能选择与深度强化学习 (DRL) 的基于云的DDoS检测
Suneeta Satpathy1, Uttpal Tripathy2, Pratik Kumar Swain3
1Centre for Cybersecurity, Siksha 'O' Anusandhan University, Bhubaneswar, Odisha, India. suneetasatapathy@soa.ac.in.
Scientific reports
|October 21, 2025
概括
本研究介绍了一个深度强化学习 (DRL) 框架,用于在云环境中实时检测分布式拒绝服务 (DDoS) 攻击. 双延迟深度决定性政策梯度 (TD3) 算法证明了适应性威胁检测的卓越准确性和速度.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 云计算 云计算 云计算 云计算
背景情况:
- 分布式拒绝服务 (DDoS) 攻击越来越多地威胁着云基础设施.
- 传统的入侵检测系统 (IDS) 难以应对现代网络威胁的动态性质.
- 在云环境中需要适应性和实时DDoS检测解决方案.
研究的目的:
- 提出和评估基于深度强化学习 (DRL) 的框架,用于云计算中的实时DDoS检测.
- 为了比较三个关键演员DRL算法的性能:TD3,DDPG和A2C.
- 开发一个强大的混合特征选择策略,以提高检测准确性和可解释性.
主要方法:
- 实施了一个DRL框架,使用TD3,DDPG和A2C算法进行网络流量分类.
- 采用混合特征选择方法,结合Boruta,SHAP和交叉验证稳定性.
- 在CICDDoS2019和UNSW-NB15数据集上训练和评估模型,并进行预处理和类不平衡处理.
主要成果:
- TD3算法以99.12%的准确性和99.21%的AUC达到最高的性能.
- 推断延迟低至每样本1.87毫秒,适合实时应用.
- 基于SHAP的分析通过识别影响DDoS检测的关键特征,提供了可解释性.
结论:
- 提出的基于DRL的框架,特别是TD3,为实时DDoS检测提供了有效,可扩展和可解释的解决方案.
- 这种方法克服了在动态云环境中传统IDS的局限性.
- 混合功能选择和DRL模型提供了对不断变化的网络威胁的适应性防御.
