論文の概要: Detecting Distributed Denial of Service Attacks Using Logistic Regression and SVM Methods
- arxiv url: http://arxiv.org/abs/2411.14512v1
- Date: Thu, 21 Nov 2024 13:15:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-25 15:03:14.670760
- Title: Detecting Distributed Denial of Service Attacks Using Logistic Regression and SVM Methods
- Title(参考訳): ロジスティック回帰とSVM法による分散型サービスアタック検出
- Authors: Mohammad Arafat Ullah, Arthy Anjum, Rashedul Amin Tuhin, Shamim Akhter,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: A distributed denial-of-service (DDoS) attack is an attempt to produce humongous traffic within a network by overwhelming a targeted server or its neighboring infrastructure with a flood of service requests ceaselessly coming from multiple remotely controlled malware-infected computers or network-connected devices. Thus, exploring DDoS attacks by recognizing their functionalities and differentiating them from normal traffic services are the primary concerns of network security issues particularly for online businesses. In modern networks, most DDoS attacks occur in the network and application layer including HTTP flood, UDP flood, SIDDOS, SMURF, SNMP flood, IP NULL, etc. The goal of this paper is to detect DDoS attacks from all service requests and classify them according to DDoS classes. In this regard, a standard dataset is collected from the internet which contains several network-related attributes and their corresponding DDoS attack class name. Two(2) different machine learning approaches, SVM and Logistic Regression, are implemented in the dataset for detecting and classifying DDoS attacks, and a comparative study is accomplished among them in terms of accuracy, precision, and recall rates. Logistic Regression and SVM both achieve 98.65% classification accuracy which is the highest achieved accuracy among other previous experiments with the same dataset.
- Abstract(参考訳): DDoS(Distributed denial-of-service)攻撃は、複数のリモートコントロールされたマルウェア感染したコンピュータやネットワークに接続されたデバイスから、複数のサービス要求が絶え間なく発生し、ターゲットサーバまたはその隣のインフラストラクチャを圧倒することで、ネットワーク内の粗悪なトラフィックを発生させようとする試みである。
したがって、それらの機能を認識し、通常の交通サービスと区別することによってDDoS攻撃を探索することは、特にオンラインビジネスにおけるネットワークセキュリティ問題の主な関心事である。
現代のネットワークでは、ほとんどのDDoS攻撃は、HTTPの洪水、UDPの洪水、SIDDOS、SMURF、SNMPの洪水、IP NULLなど、ネットワークとアプリケーション層で発生している。
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。
この点に関して、いくつかのネットワーク関連属性と対応するDDoS攻撃クラス名を含む標準データセットをインターネットから収集する。
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攻撃の検出と分類のためにデータセットに実装されており、精度、精度、リコール率の点で比較研究が実施されている。
Logistic RegressionとSVMはどちらも98.65%の分類精度を達成した。
関連論文リスト
- Detection of Distributed Denial of Service Attacks based on Machine Learning Algorithms [1.8311368766923968]
我々は、DDoS攻撃インスタンスを良質なインスタンスから分離するために、異なる機械学習(ML)技術を研究し、適用する。
本稿では,Webサーバから提供されるサービスが利用可能であることを確実にするために,さまざまな機械学習技術を用いて攻撃を効率的に検出する。
論文 参考訳(メタデータ) (2025-02-03T01:03:39Z) - 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) - NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳(メタデータ) (2024-12-30T00:47:49Z) - 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) - 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) - Poisoning Web-Scale Training Datasets is Practical [73.34964403079775]
モデルの性能に悪意のある事例を意図的に導入する2つの新しいデータセット中毒攻撃を導入する。
最初の攻撃、スプリットビュー中毒は、インターネットコンテンツの不変性を利用して、データセットアノテータの初期ビューが、その後のクライアントがダウンロードしたビューとは異なることを保証します。
第2の攻撃、フロントラン中毒は、クラウドソースされたコンテンツを定期的にスナップショットするWebスケールデータセットをターゲットにしている。
論文 参考訳(メタデータ) (2023-02-20T18:30:54Z) - Pseudo Label-Guided Model Inversion Attack via Conditional Generative
Adversarial Network [102.21368201494909]
モデル反転(MI)攻撃はプライバシーに対する懸念を高めている。
近年のMI攻撃では,探索空間を狭める前にGAN(Generative Adversarial Network)を画像として活用している。
我々は条件付きGAN(cGAN)による擬似ラベル誘導MI(PLG-MI)攻撃を提案する。
論文 参考訳(メタデータ) (2023-02-20T07:29:34Z) - Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial
Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。
また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文 参考訳(メタデータ) (2022-06-14T04:55:11Z) - Adversarial Attacks on Deep Learning Based Power Allocation in a Massive
MIMO Network [62.77129284830945]
本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。
我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
論文 参考訳(メタデータ) (2021-01-28T16:18:19Z) - Measurement-driven Security Analysis of Imperceptible Impersonation
Attacks [54.727945432381716]
本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。
皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。
また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
論文 参考訳(メタデータ) (2020-08-26T19:27:27Z)
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。