增强网络安全：一种使用机器学习检测与缓解分布式拒绝服务攻击的混合方法
密码学与安全
2025-03-10 v1 机器学习
摘要
分布式拒绝服务攻击是一种极具威胁的网络攻击形式，代表了拒绝服务攻击的高级形态。DDoS 攻击涉及多台计算机协同工作以压垮系统，使其不可用。另一方面，DoS 攻击是一对一的尝试，旨在使系统或网站无法访问。因此，构建一个有效的模型来识别各种 DDoS 事件至关重要。尽管已有大量研究聚焦于用于 DDoS 识别的二元检测模型，但它们在适应不断演变的威胁方面面临挑战，需要频繁更新。而多类检测模型针对多种 DDoS 攻击提供了全面的防御，确保在不断变化的网络威胁态势中的适应性。在本文中，我们提出了一种混合模型，通过结合一维卷积神经网络的特征提取能力与随机森林和多层感知机（MLP）分类器的分类技能来增强网络安全。使用 CIC-DDoS2019 数据集，我们对各种 DDoS 攻击进行了多类分类，并对 RF、MLP 以及我们提出的混合模型的评估指标进行了比较分析。在分析结果后，我们得出了有意义的结论，并通过彻底的交叉验证确认了我们混合模型的优越性。此外，我们将我们的机器学习模型与 Snort 集成，这为检测和缓解各种 DDoS 攻击提供了一个强大且自适应的解决方案。
引用
@article{arxiv.2503.05477,
title = {Enhancing Network Security: A Hybrid Approach for Detection and Mitigation of Distributed Denial-of-Service Attacks Using Machine Learning},
author = {Nizo Jaman Shohan and Gazi Tanbhir and Faria Elahi and Ahsan Ullah and Md. Nazmus Sakib},
journal= {arXiv preprint arXiv:2503.05477},
year = {2025}
}
备注
Part of the book series: Communications in Computer and Information Science ((CCIS,volume 2091))