Constructing an Ensemble Stacking Model for Detecting DDoS Attacks

Chin‐Ling Chen

doi:10.3390/telecom7030051

Constructing an Ensemble Stacking Model for Detecting DDoS Attacks

2026-05-05

0

OA

AI

DOI：10.3390/telecom7030051

原文链接

原文求助

摘要

En 中文

分布式拒绝服务（DDoS）攻击在规模和复杂性上持续升级，对现代网络基础设施和云服务构成重大威胁。尽管已提出许多机器学习和深度学习方法用于入侵检测，但大多数现有研究依赖原始流量特征和二元分类，限制了其捕捉多类DDoS攻击复杂时序特征的能力。为解决这些挑战，本研究提出了一种结合频域特征表示的集成堆叠框架用于DDoS检测，采用CIC-DDoS2019数据集。以随机森林（RF）、AdaBoost和XGBoost作为基学习器，逻辑回归作为元学习器，并使用网格搜索交叉验证确定最优超参数。本研究的主要贡献有三点。首先，提出了一种整合快速傅里叶变换（FFT）、滑动窗口分段和SHA256基于去重的特征提取流程，以捕捉网络流量的时频特征并减少冗余特征段。其次，构建了堆叠集成模型以整合异构分类器，提高多种攻击类型下的分类鲁棒性。第三，通过减少特征冗余，所提出的框架显著提高了计算效率，大幅降低了模型训练时间。实验结果表明，所提出的FFT + SHA256 + SW堆叠模型在原始数据集上达到近乎完美的检测性能，准确率为0.9997，F1得分为0.9998；结合SMOTE后，准确率提升至0.9998，F1得分提升至0.9999。弗里德曼检验的统计评估证实，堆叠模型在评估的分类器中始终获得最佳排名。结果表明，所提出的方法为大规模DDoS攻击检测提供了准确、高效且可扩展的解决方案。

Keyword:

DDoS attack

intrusion detection

ensemble learning

stacking model

FFT

SHA256

Constructing an Ensemble Stacking Model for Detecting DDoS Attacks

摘要

期刊

机构