面向 AI 驱动入侵检测系统的自动化和可解释 DDoS 攻击分析
密码学与安全
2025-11-07 v1 人工智能
机器学习
摘要
随着分布式拒绝服务（DDoS）攻击频率和复杂性不断提高，开发更高效、更可解释的检测方法变得至关重要。传统检测系统常常在可扩展性和透明性方面存在困难，阻碍了实时响应和对攻击向量的理解。本文提出了一种基于机器学习（ML）的自动化框架，用于检测和解释 DDoS 攻击。该方法利用 Tree-based Pipeline Optimization Tool（TPOT）自动选择和优化机器学习模型和特征，减少了对手动实验的需求。将 SHapley Additive exPlanations（SHAP）纳入其中以增强模型的可解释性，提供有关各特征对检测过程贡献的详细见解。通过将 TPOT 的自动化管道选择与 SHAP 的可解释性相结合，该方法提高了 DDoS 检测的准确性和透明度。实验结果表明，诸如平均向后数据包长度和最小前向数据包报头长度等关键特征在检测 DDoS 攻击方面至关重要，为一种可扩展且可解释的网络安全解决方案提供了可能。
引用
@article{arxiv.2511.04114,
title = {Automated and Explainable Denial of Service Analysis for AI-Driven Intrusion Detection Systems},
author = {Paul Badu Yakubu and Lesther Santana and Mohamed Rahouti and Yufeng Xin and Abdellah Chehri and Mohammed Aledhari},
journal= {arXiv preprint arXiv:2511.04114},
year = {2025}
}
备注
13 pages, 2 figures, 11 tables, IET Information Security