論文の概要: Detection of Distributed Denial of Service Attacks based on Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2502.00975v1
• Date: Mon, 03 Feb 2025 01:03:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:52:02.097510
• Title: Detection of Distributed Denial of Service Attacks based on Machine Learning Algorithms
• Title（参考訳）: 機械学習アルゴリズムによる分散型サービス攻撃拒否の検出
• Authors: Md. Abdur Rahman,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.8311368766923968
• License:
• Abstract: Distributed Denial of Service (DDoS) attacks make the challenges to provide the services of the data resources to the web clients. In this paper, we concern to study and apply different Machine Learning (ML) techniques to separate the DDoS attack instances from benign instances. Our experimental results show that forward and backward data bytes of our dataset are observed more similar for DDoS attacks compared to the data bytes for benign attempts. This paper uses different machine learning techniques for the detection of the attacks efficiently in order to make sure the offered services from web servers available. This results from the proposed approach suggest that 97.1% of DDoS attacks are successfully detected by the Support Vector Machine (SVM). These accuracies are better while comparing to the several existing machine learning approaches.
• Abstract（参考訳）: DDoS(Distributed Denial of Service)攻撃は、Webクライアントにデータリソースのサービスを提供することを課題にしている。 本稿では、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、適用することに関心がある。 実験の結果,我々のデータセットの前方および後方のデータバイトは,良心的試みのデータバイトと比較してDDoS攻撃によく似ていることがわかった。 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。 提案手法により,DDoS攻撃の97.1%がSVM(Support Vector Machine)によって検出されたことが示唆された。 これらの精度は、既存の機械学習のアプローチと比較した場合より優れている。

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)
• 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)
• Defense Against Prompt Injection Attack by Leveraging Attack Techniques [66.65466992544728]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクで顕著なパフォーマンスを実現している。 LLMが進化を続けるにつれて、新しい脆弱性、特にインジェクション攻撃が発生する。 近年の攻撃手法は, LLMの命令追従能力とデータ内容に注入された命令を識別する能力を活用している。
  論文  参考訳（メタデータ） (2024-11-01T09:14:21Z)
• Robust Federated Learning Mitigates Client-side Training Data Distribution Inference Attacks [48.70867241987739]
  InferGuardは、クライアント側のトレーニングデータ分散推論攻撃に対する防御を目的とした、新しいビザンチン・ロバスト集約ルールである。 実験の結果,我々の防衛機構はクライアント側のトレーニングデータ分布推定攻撃に対する防御に極めて有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-05T17:41:35Z)
• Model Stealing Attack against Recommender System [85.1927483219819]
  いくつかの敵攻撃は、レコメンデーターシステムに対するモデル盗難攻撃を成し遂げた。 本稿では、利用可能なターゲットデータとクエリの量を制限し、対象データとセットされたアイテムを共有する補助データを活用して、モデル盗難攻撃を促進する。
  論文  参考訳（メタデータ） (2023-12-18T05:28:02Z)
• DALA: A Distribution-Aware LoRA-Based Adversarial Attack against Language Models [64.79319733514266]
  敵攻撃は入力データに微妙な摂動をもたらす可能性がある。 最近の攻撃方法は比較的高い攻撃成功率(ASR)を達成することができる。 そこで本研究では,分散ロラをベースとしたDALA(Adversarial Attack)手法を提案する。
  論文  参考訳（メタデータ） (2023-11-14T23:43:47Z)
• 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)
• Towards Attack-tolerant Federated Learning via Critical Parameter Analysis [85.41873993551332]
  フェデレートされた学習システムは、悪意のあるクライアントが中央サーバーに誤ったアップデートを送信すると、攻撃を害するおそれがある。 本稿では,新たな防衛戦略であるFedCPA(Federated Learning with critical Analysis)を提案する。 攻撃耐性凝集法は, 有害局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒局所モデルでは有毒であるのに対し, 類似したトップkおよびボトムk臨界パラメータを持つ。
  論文  参考訳（メタデータ） (2023-08-18T05:37:55Z)
• Explaining Machine Learning DGA Detectors from DNS Traffic Data [11.049278217301048]
  この研究は、ボットネットとDGA検出の文脈における説明可能なMLの問題に対処する。 ボットネット/DGA検出のために考案されたML分類器の決定を具体的に分解するのは、これが初めてである。
  論文  参考訳（メタデータ） (2022-08-10T11:34:26Z)
• Attribution of Gradient Based Adversarial Attacks for Reverse Engineering of Deceptions [16.23543028393521]
  敵対的ML攻撃ツールチェーンの自動識別とアトリビューションをサポートする2つのテクニックを紹介します。 我々の知る限りでは、これは属性勾配に基づく敵攻撃とそれらのパラメータを推定する最初のアプローチである。
  論文  参考訳（メタデータ） (2021-03-19T19:55:00Z)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)

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。