Anomaly-Flow：面向分布式防御性击垮检测的多域联合生成对抗网络
密码学与安全
2025-03-20 v1 机器学习
摘要
分布式防御性击垮（DDoS）攻击仍是Internet服务的关键威胁，导致高额的中断成本。虽然机器学习（ML）在DDoS检测方面显示出前景，但当前解决方案在面向异构网络和组织边界的多域环境时，难以实现跨域攻击检测。这一限制严重影响了在实际场景中部署基于ML的防御措施的实际效果。本文引入Anomaly-Flow，一种新型框架，通过将联合学习（Federated Learning, FL）与生成对抗网络（GAN）结合，实现隐私保护的多域DDoS检测。该框架在保持数据隐私的同时，通过合成流量生成实现跨不同网络域的协作学习。我们在三个不同的网络数据集上进行了广泛评估，Anomaly-Flow 实现了平均F1分数为，超越基线模型。重要的是，我们的框架使组织能够在不暴露敏感网络数据的情况下共享攻击检测能力，这在关键基础设施和隐私敏感领域尤为有价值。除了 immediate 技术贡献外，本 work 为多域DDoS检测提供了挑战与机遇的见解，为未来在协作网络防御系统研究奠定了基础。我们的发现对从事实际ML-based 安全解决方案部署的学术研究人员和行业从业者具有重要意义。
引用
@article{arxiv.2503.14618,
title = {Anomaly-Flow: A Multi-domain Federated Generative Adversarial Network for Distributed Denial-of-Service Detection},
author = {Leonardo Henrique de Melo and Gustavo de Carvalho Bertoli and Michele Nogueira and Aldri Luiz dos Santos and Lourenço Alves Pereira Junior},
journal= {arXiv preprint arXiv:2503.14618},
year = {2025}
}
备注
8 pages, 4 figures