.png){kind=icon}
返回
DDoS attack detection using deep transfer learning and FFT-based data transformation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08253-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着云计算和互联网服务的指数级增长，分布式拒绝服务（DDoS）攻击正变得越来越频繁和复杂。传统的DDoS检测机器学习方法通常存在检测率不理想、误报率高和延迟过大的问题。为解决这些局限性，我们提出了一种新的深度迁移学习框架。具体而言，我们利用快速傅里叶变换（FFT）将CICDDoS2019数据集中的高维流量向量映射为图像表示，使经过微调的VGG19模型能够有效提取复杂攻击特征。为减轻FFT变换和深度卷积神经网络（CNN）矩阵运算固有的巨大计算开销，我们实现了GPU加速并行计算技术。该架构显著降低了处理延迟，使实时威胁检测成为可能——这一能力通常难以通过传统串行处理实现。实验结果表明，该方法具有卓越的可靠性，准确率达到99.11%，误报率（FPR）仅为0.42%。此外，系统表现出稳健的实时性能，平均推理时间为每样本0.0183秒（54.6 FPS），从而满足了在线高速检测的严格要求。
Keyword:
DDoS attack detection
Deep learning
Data transformation
CNN
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Towards sFlow and adaptive polling sampling for deep learning based DDoS detection in SDNSDN中基于深度学习的DDoS检测的sFlow和自适应轮询采样
OAAI
OAAI分享收藏Active Resilient Secure Control for Heterogeneous Swarm Systems Under Malicious Cyber-Attacks主动弹性安全控制：恶意网络攻击下的异构群集系统
PREAI
分享收藏分享收藏A Novel Intrusion Detection Model for a Massive Network Using Convolutional Neural Networks.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Enhanced ransomware attacks detection using feature selection, sensitivity analysis, and optimized hybrid model基于特征选择、敏感性分析和优化混合模型的增强型勒索软件攻击检测Journal of Big DataOAAI
Journal of Big DataIF6.4
OAAI分享收藏
查看更多内容