面向分布式拒绝服务攻击分类的自注意力增强加权集成卷积神经网络框架
密码学与安全
2024-10-15 v2 人工智能
机器学习
摘要
分布式拒绝服务（DDoS）攻击是网络安全的主要关切，由于导致系统接收过量流量、泄露敏感数据并中断网络服务。准确检测此类攻击对于保护网络基础设施至关重要。传统方法，如单一卷积神经网络（CNN）或常规机器学习算法（如决策树 DT 和支持向量机 SVM），难以提取精确分类所需的多样化特征，导致性能不佳。为此，本研究提出一种新方法。该方法结合了三个不同的 CNN 架构：SA-Enabled CNN 与 XGBoost、SA-Enabled CNN 与 LSTM、SA-Enabled CNN 与 Random Forest。每个模型在多个尺度上提取特征，while 自注意力机制增强特征集成和相关性。加权集成方法确保显著特征和细微特征都为最终分类贡献，提高了对新型攻击模式和新威胁的适应性。该方法实现了 98.71% 的精确率、98.66% 的 F1 分数、98.63% 的召回率和 98.69% 的准确率，超越传统方法，在 DDoS 攻击检测领域树立了新的基准。该创新方法解决了当前模型中的关键局限，推动了网络安全领域的技术发展。
引用
@article{arxiv.2409.00810,
title = {A Novel Self-Attention-Enabled Weighted Ensemble-Based Convolutional Neural Network Framework for Distributed Denial of Service Attack Classification},
author = {Kanthimathi S and Shravan Venkatraman and Jayasankar K S and Pranay Jiljith T and Jashwanth R},
journal= {arXiv preprint arXiv:2409.00810},
year = {2024}
}
备注
19 pages, 3 tables, 9 figures