基于重构的LSTM自编码器用于多变量时间序列数据的异常型DDoS攻击检测
密码学与安全
2023-05-17 v1 机器学习
摘要
分布式拒绝服务（DDoS）攻击是一种恶意企图，通过发送大量流量淹没目标或其周边基础设施，以破坏目标服务器、服务或网络的常规流量。随着技术改进，黑客已开发出新型攻击。传统统计与浅层机器学习技术可基于浅层数据与特征选择检测表面异常，但无法检测未见过的DDoS攻击。在此背景下，我们提出一种名为LSTM自编码器（LSTM-AE）的基于重构的异常检测模型，其结合两种基于深度学习的模型以检测DDoS攻击异常。所提出的长短期记忆（LSTM）网络结构提供相互协作的单元，以学习时间序列内数据的长短期相关性。自编码器用于基于跨所有时间序列样本评估的重构误差率确定最优阈值。因此，LSTM-AE组合模型不仅能学习攻击与良性流量中细微的子模式差异，还能最小化重构的良性流量以获得更低范围的重构误差，而攻击呈现更大的重构误差。本研究中，我们在基于反射的DDoS攻击（DNS、LDAP和SNMP）上训练并评估了所提LSTM-AE模型。实验结果表明，我们的方法优于其他最先进方法，尤其对LDAP攻击，准确率超过99。
引用
@article{arxiv.2305.09475,
title = {Reconstruction-based LSTM-Autoencoder for Anomaly-based DDoS Attack Detection over Multivariate Time-Series Data},
author = {Yuanyuan Wei and Julian Jang-Jaccard and Fariza Sabrina and Wen Xu and Seyit Camtepe and Aeryn Dunmore},
journal= {arXiv preprint arXiv:2305.09475},
year = {2023}
}
备注
13 pages