Fugu-MT 論文翻訳(概要): Detection of DDoS Attacks in Software Defined Networking Using Machine Learning Models

論文の概要: Detection of DDoS Attacks in Software Defined Networking Using Machine Learning Models

arxiv url: http://arxiv.org/abs/2303.06513v1
Date: Sat, 11 Mar 2023 22:56:36 GMT
ステータス: 処理完了
システム内更新日: 2023-03-14 18:31:19.213124
Title: Detection of DDoS Attacks in Software Defined Networking Using Machine Learning Models
Title（参考訳）: 機械学習モデルを用いたソフトウェア定義ネットワークにおけるddos攻撃の検出
Authors: Ahmad Hamarshe, Huthaifa I. Ashqar, and Mohammad Hamarsheh
Abstract要約: 本稿では,ソフトウェア定義ネットワーク(SDN)環境において,分散型サービス障害(DDoS)攻撃を検出する機械学習アルゴリズムの有効性について検討する。その結果、MLベースの検出は、SDNにおけるDDoS攻撃を特定するためのより正確で効果的な方法であることが示唆された。
参考スコア（独自算出の注目度）: 0.6193838300896449
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The concept of Software Defined Networking (SDN) represents a modern approach to networking that separates the control plane from the data plane through network abstraction, resulting in a flexible, programmable and dynamic architecture compared to traditional networks. The separation of control and data planes has led to a high degree of network resilience, but has also given rise to new security risks, including the threat of distributed denial-of-service (DDoS) attacks, which pose a new challenge in the SDN environment. In this paper, the effectiveness of using machine learning algorithms to detect distributed denial-of-service (DDoS) attacks in software-defined networking (SDN) environments is investigated. Four algorithms, including Random Forest, Decision Tree, Support Vector Machine, and XGBoost, were tested on the CICDDoS2019 dataset, with the timestamp feature dropped among others. Performance was assessed by measures of accuracy, recall, accuracy, and F1 score, with the Random Forest algorithm having the highest accuracy, at 68.9%. The results indicate that ML-based detection is a more accurate and effective method for identifying DDoS attacks in SDN, despite the computational requirements of non-parametric algorithms.
Abstract（参考訳）: software defined networking(sdn)の概念は、コントロールプレーンとデータプレーンをネットワーク抽象化を通じて分離する、ネットワークに対する現代的なアプローチを表している。コントロールプレーンとデータプレーンの分離は、ネットワークのレジリエンスの向上につながったが、SDN環境における新たな課題となる分散型サービス障害(DDoS)攻撃の脅威など、新たなセキュリティリスクも生じている。本稿では,sdn(software-defined networking)環境における分散型ddos攻撃検出のための機械学習アルゴリズムの有効性について検討する。ランダムフォレスト、決定木、サポートベクターマシン、xgboostを含む4つのアルゴリズムがcicddos2019データセットでテストされ、タイムスタンプ機能は削除された。性能は精度、リコール、精度、F1スコアで評価され、ランダムフォレストアルゴリズムは68.9%と高い精度で評価された。その結果,非パラメトリックアルゴリズムの計算要件にもかかわらず,mlに基づく検出はsdnにおけるddos攻撃をより正確かつ効果的に同定する手法であることが示された。

関連論文リスト

Unseen Attack Detection in Software-Defined Networking Using a BERT-Based Large Language Model [5.062869359266078]
ソフトウェア定義ネットワーク(SDN)における攻撃検出を強化するために、自然言語処理(NLP)と事前訓練されたBERTベースモデルを活用する新しいアプローチを導入する。我々のアプローチは,ネットワークフローデータを言語モデルで解釈可能なフォーマットに変換し,BERTが複雑なパターンやネットワークトラフィックの関係をキャプチャすることを可能にする。当社のアプローチは、これまで目に見えない攻撃を検知し、モデルが明示的に訓練されていない脅威を特定するソリューションを提供するように設計されています。
論文参考訳（メタデータ） (2024-12-09T06:27:20Z)
Sdn Intrusion Detection Using Machine Learning Method [0.0]
SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
論文参考訳（メタデータ） (2024-11-08T12:19:50Z)
Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
論文参考訳（メタデータ） (2024-09-27T11:20:20Z)
C-RADAR: A Centralized Deep Learning System for Intrusion Detection in Software Defined Networks [0.0]
ソフトウェア定義ネットワーク(SDN)における侵入検出におけるディープラーニング(DL)技術の利用を提案する。以上の結果から,DLに基づく手法は,検出精度と計算効率の点で従来の手法よりも優れていた。このテクニックは、新しい攻撃パターンを検出し、SDN全体のセキュリティを改善するためにトレーニングすることができる。
論文参考訳（メタデータ） (2024-08-30T15:39:37Z)
Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。このアプローチは、潜在空間における表現学習の強みを生かしている。
論文参考訳（メタデータ） (2024-06-04T03:22:52Z)
Brain-on-Switch: Towards Advanced Intelligent Network Data Plane via NN-Driven Traffic Analysis at Line-Speed [33.455302442142994]
プログラム可能なネットワークは、ラインスピードで学習に基づくトラフィック分析を実現するIntelligent Network Data Plane (INDP) に大きな研究を巻き起こした。 INDPの以前の技術は、データプレーンにツリー/フォレストモデルをデプロイすることに焦点を当てていた。本稿では,ニューラルネットワーク(NN)によるトラフィック解析を回線速度で実現することにより,INDPの境界を押し上げるBoSを提案する。
論文参考訳（メタデータ） (2024-03-17T04:59:30Z)
ARLIF-IDS -- Attention augmented Real-Time Isolation Forest Intrusion Detection System [0.0]
Internet of ThingsとSoftware Defined Networkingは、DDoS攻撃の早期検出に軽量戦略を活用する。低数の機能に基づいて、迅速かつ効果的なセキュリティ識別モデルを持つことが不可欠である。本研究は,新規なアテンションベース森林侵入検知システムを提案する。
論文参考訳（メタデータ） (2022-04-20T18:40:23Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
論文参考訳（メタデータ） (2020-08-12T12:03:27Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。