.png){kind=icon}
返回
A multi-layer echo state network for efficient DDoS detection in resource-constrained environments
.png){kind=icon}
PRE
AI
DOI：10.1016/j.iot.2025.101665.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种多层数回声状态网络（ESN）模型，用于有效检测资源受限和低内存设备上的DDoS攻击。通常，这些低内存设备在智能家居、医疗保健和工业应用中很常见，没有足够的计算资源来运行传统的DDoS攻击检测深度学习方法。这使得设备更容易受到攻击。虽然以往的工作主要关注提高检测精度，但它们未能考虑资源利用与检测性能之间的重要权衡。所提出的ESN模型在CICDDoS2019和CICIoT2023数据集上分别实现了99.33%和99.99%的准确率。仅使用640个可训练参数，它确保了高性能和最小的计算资源消耗。所提出的模型在CICDDoS2019和CICIoT2023中的CPU利用率分别为1.27%和0.06%。与LSTM、RNN、CNN和最先进模型相比，CPU利用率要低得多。这使得我们的模型成为适合内存和处理能力有限设备的轻量级架构。该论文提出了一种高效、轻量级的模型，用于低资源环境的安全性和鲁棒的DDoS检测，而不会损失精度。
Keyword:
Echo State Network
DDoS attack detection
resource-constrained devices
lightweight model
deep learning
期刊
IF:
7.6
论文数:
1.9K
被引数:
6.9K
机构
暂无机构信息
引用论文
Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network递归神经网络 (RNN) 和长短期记忆 (LSTM) 网络的基本原理
OAAI
OAAI分享收藏FlowGuard: An Intelligent Edge Defense Mechanism Against IoT DDoS AttacksFlowGuard: 针对IoT DDoS攻击的智能边缘防御机制
OAAI
OAAI分享收藏A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures递归神经网络综述: LSTM单元和网络架构
PREAI
分享收藏Robust detection of unknown DoS/DDoS attacks in IoT networks using a hybrid learning model基于混合学习模型的物联网未知DoS/DDoS攻击鲁棒检测.png)
INTERNET OF THINGS
INTERNET OF THINGSIF7.6
PREAI
分享收藏分享收藏
查看更多内容