推进DDoS攻击检测：一种利用深度残差神经网络与合成过采样的协同方法
密码学与安全
2024-01-09 v1 机器学习
摘要
分布式拒绝服务（DDoS）攻击对在线系统的稳定性和可靠性构成重大威胁。有效且尽早检测此类攻击对于保障网络完整性至关重要。在这项工作中，我们引入了一种增强的 DDoS 攻击检测方法，通过利用深度残差神经网络（ResNets）与合成过采样技术相结合的能力。由于许多网络安全数据集中固有的类别不平衡，传统方法常常受困于假阴性，将微妙的 DDoS 模式误分类为良性。通过对 CICIDS 数据集应用合成少数类过采样技术（SMOTE），我们平衡了良性与恶意数据点的表示，使模型能够更好地辨别指示攻击的复杂模式。我们为此特定任务定制的深度残差网络进一步优化了检测过程。在真实世界数据集上的实验结果表明，我们的方法达到了 99.98% 的准确率，显著优于传统方法。这项工作强调了将先进的数据增强技术与深度学习模型相结合以加强网络安全防御的潜力。
引用
@article{arxiv.2401.03116,
title = {Advancing DDoS Attack Detection: A Synergistic Approach Using Deep Residual Neural Networks and Synthetic Oversampling},
author = {Ali Alfatemi and Mohamed Rahouti and Ruhul Amin and Sarah ALJamal and Kaiqi Xiong and Yufeng Xin},
journal= {arXiv preprint arXiv:2401.03116},
year = {2024}
}
备注
8 pages, 3 figures