.png){kind=icon}
返回
Enhancing Machine Learning-Based DDoS Detection Through Hyperparameter Optimization
.png){kind=icon}
PRE
AI
DOI：10.3390-electronics14163319.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，分布式拒绝服务（DDoS）攻击的发生频率和复杂性显著升级，对网络系统的可用性、性能和安全性构成了威胁。随着人工智能（AI）和机器学习（ML）技术的快速发展，攻击者能够利用智能工具在极小人为干预下自动化并放大DDoS攻击。此类攻击日益复杂的趋势凸显了对更强大、更精准检测方法的迫切需求。本研究提出了一种基于超参数调优的方法，旨在提升ML模型检测DDoS攻击的有效性。通过优化模型参数，所提出的方法将增强ML模型识别DDoS攻击的性能。本研究采用CIC-DDoS2019数据集，因其提供了涵盖多种协议和服务的全面真实世界DDoS攻击场景。所提出的方法论包含关键阶段，包括数据预处理、数据分割以及模型训练、验证和测试。采用自适应GridSearchCV（交叉验证）策略训练并调优了三种ML模型，以识别最优参数配置。结果表明，与常规GridSearchCV相比，本方法显著提升了性能和效率。SVM模型达到99.87%的测试准确率，执行时间比常规GridSearchCV减少约28%。LR模型达到99.6830%的测试准确率，执行时间为16.90秒，在保持相同测试准确率的同时，执行时间减少了约22.8%。KNN模型达到99.8395%的测试准确率，执行时间为2388.89秒，同样在保持准确率的同时，执行时间减少了约63%。这些结果表明，本方法提升了DDoS检测的性能和效率，为超参数调优在提升真实场景下ML模型性能的实践应用方面提供了新颖见解。
Keyword:
DDoS attacks
machine learning
hyperparameter tuning
GridSearchCV
network security
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
An Adaptive Scalable Data Pipeline for Multiclass Attack Classification in Large-Scale IoT Networks
OAAI
OAAI分享收藏Detection of DDoS attacks with feed forward based deep neural network model基于前馈深度神经网络模型的DDoS攻击检测
PREAI
分享收藏Machine Learning Approaches for Combating Distributed Denial of Service Attacks in Modern Networking Environments现代网络环境中对抗分布式拒绝服务攻击的机器学习方法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏An Effective Classification of DDoS Attacks in a Distributed Network by Adopting Hierarchical Machine Learning and Hyperparameters Optimization Techniques通过采用分层机器学习和超参数优化技术对分布式网络中的DDoS攻击进行有效分类IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Comprehensive Review of Artificial Intelligence and Statistical Approaches in Distributed Denial of Service Attack and Defense Methods人工智能和统计方法在分布式拒绝服务攻击和防御方法中的综合评述IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容