利用 Twitter 实时判定拒绝服务攻击的影响规模
社会与信息网络
2019-09-16 v1 计算与语言
信息检索
摘要
拒绝服务（DoS）攻击在 Twitter、Facebook 和银行等在线与移动服务中十分常见。随着分布式拒绝服务（DDoS）攻击的规模与频率上升，亟需判定攻击的影响。该任务的两大核心挑战是从大量用户获取反馈以及及时获取。本文提出一种弱监督模型，无需标注数据，通过对推文应用隐狄利克雷分配与对称 Kullback-Leibler 散度来度量 DoS 问题的影响。弱监督模块有一局限：它假定在时间窗内检测到的事件为 DoS 攻击事件。当收集到更多非攻击事件推文且它们被识别为新事件的可能性降低时，此问题将减弱。消除该局限的另一方式是使用一个可选分类层，其在人工标注的 DoS 攻击推文上训练，以过滤非攻击推文，从而以召回率为代价提升精确率。实验结果表明，我们可以学到弱监督模型，其精确率可与监督模型相媲美，且能跨同行业实体泛化。
引用
@article{arxiv.1909.05890,
title = {Determining the Scale of Impact from Denial-of-Service Attacks in Real Time Using Twitter},
author = {Chi Zhang and Bryan Wilkinson and Ashwinkumar Ganesan and Tim Oates},
journal= {arXiv preprint arXiv:1909.05890},
year = {2019}
}
备注
DYnamic and Novel Advances in Machine Learning and Intelligent Cyber Security Workshop, December 3--4, 2018, San Juan, PR, USA