RO-DAD: A resource-optimized DDoS attack detection framework using multi-stage feature selection in cloud computing

Mansoor ul Haque

doi:10.1186/s13677-026-00959-6

RO-DAD: A resource-optimized DDoS attack detection framework using multi-stage feature selection in cloud computing

2026-08-11

0

OA

AI

DOI：10.1186/s13677-026-00959-6

原文链接

原文求助

摘要

En 中文

云计算凭借其可扩展、成本效益高和按需服务的特点，已改变了现代IT基础设施。然而，分布式拒绝服务（DDoS）攻击在数量和复杂性上不断增长，它们会负面影响服务可用性，降低性能，造成经济损失并损害声誉，特别是在云环境中。传统检测方法往往难以应对这些攻击的动态性和大规模特性。为解决这些挑战，本文提出了一种基于机器学习的资源优化DDoS攻击检测（RO-DAD）框架，通过多阶段特征选择管道提升检测效率。该框架整合了领域知识（DK）过滤、最小显著性（LS）特征消除和最大显著性（MS）选择，其中MS阶段采用嵌入式树基特征选择机制实现。这种设计能够在降低计算复杂度和消除冗余属性的同时，系统性地识别最具信息的特征。框架使用CICDDoS2019数据集进行评估，实验结果表明，所提出的方法实现了高检测性能，准确率和F1分数最高可达99%，同时显著降低了特征维度和计算开销。这证实了有效的特征优化能够在保持强检测能力的同时，支持云环境中的可扩展和资源高效部署。

Keyword:

Machine learning (ML)

Deep learning (DL)

Cloud computing (CC)

Distributed denial of service (DDoS)

Intrusion detection system (IDS)

RO-DAD: A resource-optimized DDoS attack detection framework using multi-stage feature selection in cloud computing

摘要

期刊

机构

引用论文