論文の概要: Digital Twin-Enabled Intelligent DDoS Detection Mechanism for Autonomous Core Networks

• arxiv url: http://arxiv.org/abs/2310.12924v2
• Date: Wed, 25 Oct 2023 23:22:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-28 04:30:41.874902
• Title: Digital Twin-Enabled Intelligent DDoS Detection Mechanism for Autonomous Core Networks
• Title（参考訳）: 自律コアネットワークのためのディジタル双対型インテリジェントddos検出機構
• Authors: Yagmur Yigit, Bahadir Bal, Aytac Karameseoglu, Trung Q. Duong, Berk Canberk
• Abstract要約: 既存の分散型サービスアタック(DDoS)ソリューションは、高度に集約されたデータレートを処理できない。 本稿では,自律システムのためのオンライン学習手法を用いたディジタルツイン対応インテリジェントDDoS検出機構を提案する。
• 参考スコア（独自算出の注目度）: 13.49717874638757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing distributed denial of service attack (DDoS) solutions cannot handle highly aggregated data rates; thus, they are unsuitable for Internet service provider (ISP) core networks. This article proposes a digital twin-enabled intelligent DDoS detection mechanism using an online learning method for autonomous systems. Our contributions are three-fold: we first design a DDoS detection architecture based on the digital twin for ISP core networks. We implemented a Yet Another Next Generation (YANG) model and an automated feature selection (AutoFS) module to handle core network data. We used an online learning approach to update the model instantly and efficiently, improve the learning model quickly, and ensure accurate predictions. Finally, we reveal that our proposed solution successfully detects DDoS attacks and updates the feature selection method and learning model with a true classification rate of ninety-seven percent. Our proposed solution can estimate the attack within approximately fifteen minutes after the DDoS attack starts.
• Abstract（参考訳）: 既存のDDoS(Distributed Denial of Service attack)ソリューションは、高度に集約されたデータレートを処理できないため、インターネットサービスプロバイダ(ISP)コアネットワークには適さない。 本稿では,自律システムのためのオンライン学習手法を用いたディジタル双対型知的ddos検出機構を提案する。 私たちはまず、ISPコアネットワークのディジタルツインに基づいたDDoS検出アーキテクチャを設計しました。 我々はコアネットワークデータを処理するために,YANGモデルと自動機能選択(AutoFS)モジュールを実装した。 オンライン学習アプローチを用いて,モデルを迅速かつ効率的に更新し,学習モデルを迅速に改善し,正確な予測を保証する。 最後に,提案手法がddos攻撃を検知し,特徴選択法と学習モデルを更新し,真の分類率は9%であることを明らかにした。 提案手法では,DDoS攻撃開始から約15分以内に攻撃を推定できる。

関連論文リスト

• An Efficient Real Time DDoS Detection Model Using Machine Learning Algorithms [0.0]
  本研究は,機械学習アルゴリズムを用いた効率的なリアルタイムDDoS検出システムの開発に焦点をあてる。 この研究は、これらのアルゴリズムの性能を、精度、リコール、F1スコア、時間的複雑さの観点から調査している。
  論文  参考訳（メタデータ） (2025-01-24T08:11:57Z)
• Detection and classification of DDoS flooding attacks by machine learning method [0.0]
  本研究では,ニューラルネットワークを用いた分散型サービス拒否攻撃(DDoS)の検出と分類に焦点をあてる。 通常のトラフィックとさまざまなDDoS攻撃を含むデータセットを使用して、24-106-5アーキテクチャでニューラルネットワークモデルをトレーニングした。 このモデルは高い精度(99.35%)、精度(99.32%)、リコール(99.54%)、Fスコア(0.99)を達成した。
  論文  参考訳（メタデータ） (2024-12-25T21:58:52Z)
• Detecting Distributed Denial of Service Attacks Using Logistic Regression and SVM Methods [0.0]
  本論文の目的は、すべてのサービス要求からDDoS攻撃を検出し、DDoSクラスに従ってそれらを分類することである。 SVMとロジスティック回帰という2つの異なる機械学習アプローチが、DDoS攻撃を検出して分類するためのデータセットに実装されている。 Logistic RegressionとSVMはどちらも98.65%の分類精度を達成した。
  論文  参考訳（メタデータ） (2024-11-21T13:15:26Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Novel Supervised Deep Learning Solution to Detect Distributed Denial of Service (DDoS) attacks on Edge Systems using Convolutional Neural Networks (CNN) [0.41436032949434404]
  ネットワークトラフィックにおけるDDoS攻撃を検出するための,新たなディープラーニングベースのアプローチを提案する。 本研究では、畳み込みニューラルネットワーク(CNN)と一般的なディープラーニングアルゴリズムの特性を利用する。 本研究は,DDOS攻撃検出における提案アルゴリズムの有効性を実証し,ネットワークトラフィックにおける2000の未確認フローに対して,.9883の精度を達成した。
  論文  参考訳（メタデータ） (2023-09-11T17:37:35Z)
• Predict And Prevent DDOS Attacks Using Machine Learning and Statistical Algorithms [0.0]
  本研究は、トラフィックフローのトレースからDDoS攻撃を検出するために、機械学習と統計モデルを用いている。 XGboostの機械学習モデルは、SMOTEアプローチをターゲットクラスに適用した後、最高の検出精度(99.9999%)を提供した。
  論文  参考訳（メタデータ） (2023-08-30T00:03:32Z)
• FedDefender: Client-Side Attack-Tolerant Federated Learning [60.576073964874]
  フェデレーション学習は、プライバシを損なうことなく、分散化されたデータソースからの学習を可能にする。 悪意のあるクライアントがトレーニングプロセスに干渉する、毒殺攻撃のモデル化には脆弱である。 我々はFedDefenderと呼ばれるクライアントサイドに焦点を当てた新しい防御機構を提案し、クライアントの堅牢なローカルモデルのトレーニングを支援する。
  論文  参考訳（メタデータ） (2023-07-18T08:00:41Z)
• TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
  本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。 我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
  論文  参考訳（メタデータ） (2021-03-10T19:03:38Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
  ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。 本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
  論文  参考訳（メタデータ） (2020-03-13T15:34:33Z)

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。