基于 GAN 的特征选择（GANFS）：用于 DDoS 防御的机器学习模型提升

分布式拒绝服务（DDoS）攻击是现代网络系统面临的持续且不断演变的威胁，足以导致大规模服务中断。其复杂性往往隐藏在高维冗余网络流量数据中， necessitates robust and intelligent feature selection 技术以实现有效检测。传统方法（如过滤式、包装式和嵌入式方法）虽各有优势，但在复杂攻击环境下在可扩展性和适应性方面仍有不足。本研究通过详细的比较分析探讨了这些技术，并突出其在大规模 DDoS 检测任务中应用的局限性。基于这些洞见，我们提出一种新型生成对抗网络特征选择（GAN-based Feature Selection, GANFS）方法，利用对抗学习动态识别最具信息量的特征。通过仅在攻击流量上训练 GAN，并对判别器进行扰动敏感性分析，GANFS 能够在不依赖完全监督的情况下对特征重要性进行排序。使用 CIC-DDoS2019 数据集进行的实验表明，GANFS 不仅提升了下游分类器的准确率，还通过显著降低特征维度来显著提高计算效率。这些结果指向将生成式学习模型集成到网络安全管道中，以构建更具适应性和可扩展性检测系统的潜力。