論文の概要: Detection and classification of DDoS flooding attacks by machine learning method

• arxiv url: http://arxiv.org/abs/2412.18990v1
• Date: Wed, 25 Dec 2024 21:58:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:27:02.448196
• Title: Detection and classification of DDoS flooding attacks by machine learning method
• Title（参考訳）: 機械学習によるDDoS浸水攻撃の検出と分類
• Authors: Dmytro Tymoshchuk, Oleh Yasniy, Mykola Mytnyk, Nataliya Zagorodna, Vitaliy Tymoshchuk,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study focuses on a method for detecting and classifying distributed denial of service (DDoS) attacks, such as SYN Flooding, ACK Flooding, HTTP Flooding, and UDP Flooding, using neural networks. Machine learning, particularly neural networks, is highly effective in detecting malicious traffic. A dataset containing normal traffic and various DDoS attacks was used to train a neural network model with a 24-106-5 architecture. The model achieved high Accuracy (99.35%), Precision (99.32%), Recall (99.54%), and F-score (0.99) in the classification task. All major attack types were correctly identified. The model was also further tested in the lab using virtual infrastructures to generate normal and DDoS traffic. The results showed that the model can accurately classify attacks under near-real-world conditions, demonstrating 95.05% accuracy and balanced F-score scores for all attack types. This confirms that neural networks are an effective tool for detecting DDoS attacks in modern information security systems.
• Abstract（参考訳）: 本研究では、ニューラルネットワークを用いて、Syson Flooding、ACK Flooding、HTTP Flooding、UDP Floodingなどの分散型サービス拒否(DDoS)攻撃を検出し、分類する方法に焦点を当てる。 機械学習、特にニューラルネットワークは、悪意のあるトラフィックを検出するのに非常に効果的である。 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。 主要な攻撃型は全て正しく識別された。 このモデルは、仮想インフラストラクチャを使用して、通常のトラフィックとDDoSトラフィックを生成するために、ラボでさらにテストされた。 その結果、このモデルは現実世界に近い条件下での攻撃を正確に分類することができ、95.05%の精度と全ての攻撃タイプに対するバランスの取れたFスコアスコアを示すことがわかった。 これは、ニューラルネットワークが現代の情報セキュリティシステムにおけるDDoS攻撃を検出する効果的なツールであることを確認する。

関連論文リスト

• 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)
• An incremental hybrid adaptive network-based IDS in Software Defined Networks to detect stealth attacks [0.0]
  先進的永続脅威(Advanced Persistent Threats、APT)は、検出を回避するための幅広い戦略を実装する攻撃の一種である。 侵入検知システム(IDS)における機械学習(ML)技術は、そのような攻撃を検出するために広く用いられているが、データ分散が変化すると課題がある。 SDNにおける概念ドリフト問題に対処するために、インクリメンタルなハイブリッド適応型ネットワーク侵入検知システム(NIDS)を提案する。
  論文  参考訳（メタデータ） (2024-04-01T13:33:40Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• 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)
• Early Detection of Network Attacks Using Deep Learning [0.0]
  ネットワーク侵入検知システム(英: Network Intrusion Detection System、IDS)は、ネットワークトラフィックを観察することによって、不正かつ悪意のない行動を特定するためのツールである。 本稿では,攻撃対象のシステムにダメージを与える前に,ネットワーク攻撃を防止するために,エンド・ツー・エンドの早期侵入検知システムを提案する。
  論文  参考訳（メタデータ） (2022-01-27T16:35:37Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• Witches' Brew: Industrial Scale Data Poisoning via Gradient Matching [56.280018325419896]
  Data Poisoning攻撃は、トレーニングデータを変更して、そのようなデータでトレーニングされたモデルを悪意を持って制御する。 我々は「スクラッチから」と「クリーンラベルから」の両方である特に悪意のある毒物攻撃を分析します。 フルサイズで有毒なImageNetデータセットをスクラッチからトレーニングした現代のディープネットワークにおいて、ターゲットの誤分類を引き起こすのは、これが初めてであることを示す。
  論文  参考訳（メタデータ） (2020-09-04T16:17:54Z)
• Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
  多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。 本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。 本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
  論文  参考訳（メタデータ） (2020-07-28T19:00:40Z)
• Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
  異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。 本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。 提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
  論文  参考訳（メタデータ） (2020-07-11T21:20:55Z)
• Detecting Network Anomalies using Rule-based machine learning within SNMP-MIB dataset [0.5156484100374059]
  本稿では、DOS攻撃と通常のトラフィックを区別するために、採用データセットに依存するネットワークトラフィックシステムを開発した。 検出モデルは5つのルールベース機械学習分類器(DecisionTable, JRip, OneR, Part, ZeroR)で構築される。
  論文  参考訳（メタデータ） (2020-01-18T13:05:41Z)

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。