MMApr, 2019

在云计算遥测中识别机器学习的 DoS 攻击

PDF
TL;DR本文提出了利用云环境中的遥测数据与机器学习算法来检测 DoS 攻击的方法，并且通过 k - 最近邻和决策树算法达到了很高的检测准确率。
denial of service attackscloud environmentmachine learning algorithmstelemetryk-nearest neighbors
发现论文，激发创造
  • 基于机器学习的物联网应用入侵检测系统

    本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

    Feb, 2023

  • 面向软件定义传感器网络的网络感知自动机器学习框架

    提出了一种网络感知的自动化机器学习框架，用于在软件定义的传感器网络中检测分布式拒绝服务攻击（DDoS）。该框架通过选择理想的机器学习算法，根据可变流量负载、异构流量速率和检测时间等指标，能够在网络受限环境中检测到 DDoS 攻击并避免过拟合。

    Oct, 2023

  • 使用神经网络检测 DDoS 攻击的方法 DDoSDet

    本研究提出使用神经网络检测 DDoS 攻击，区分恶意和合法数据流，从而防止网络性能下降。该系统精度高达 99.7％。

    Jan, 2022

  • 利用机器学习技术在基于雾计算的无线传感器网络中缓解拒绝服务攻击

    无线传感器网络中使用决策树和 XGBoost 两种机器学习模型能够更准确地识别拒绝服务攻击并减少影响，XGBoost 模型具有更高的真正阳性率（98.3%）和更低的假阳性率（1.7%）。

    Sep, 2023

  • 一种新的监督深度学习解决方案，用于使用卷积神经网络（CNN）在边缘系统上检测分布式拒绝服务（DDoS）攻击

    本研究提出了一种基于深度学习的新型分布式拒绝服务攻击检测方法，利用新不伦瑞克大学 DDoS 评估数据集中的实时 DDoS 攻击数据来构建一个更广泛和更适用于现实世界的模型。该模型通过提取数据流并将其归一化到一个固定长度，然后通过自定义架构进行二进制分类，利用卷积神经网络和常见的深度学习算法实现分类和减轻 DDoS 流量的技术。结果表明，该算法在网络流量中检测 DDoS 攻击方面表现出很高的准确性，针对 2000 个未见过的流量达到了 0.9883 的准确率，并且可在任何网络环境中扩展应用。

    Sep, 2023

  • 通过组合融合分析提高基于机器学习的 DoS 攻击检测

    我们提出了一种创新方法，即组合融合，通过使用先进算法将多个机器学习模型相结合，从而提高拒绝服务攻击检测的性能。通过严格的评估，我们证明了这种融合方法的有效性，考虑到精确度、召回率和 F1 分数等指标。我们通过融合模型来解决低调攻击分类的挑战，从而创造出一个全面的解决方案。我们的研究结果强调了这种方法改善拒绝服务攻击检测和增强防御机制的潜力。

    Oct, 2023

  • CoAP-DoS：一种物联网网络入侵数据集

    为了提高物联网设备的安全性，本研究利用机器学习技术，提出了一种新型数据集，用于收集和分析物联网 CoAP 协议下的拒绝服务攻击网络流量数据，并验证该数据集对多个分类器的有效性。

    Jun, 2022

  • 用于检测 MQTT-IoT 协议攻击的多类分类方法

    我们的工作集中于创建分类模型，以数据集为基础，该数据集包含使用 MQTT 协议的 IoT 系统遭受攻击的帧，以提高入侵检测系统的性能。我们研究了集成方法和深度学习模型两种分类攻击的方法，并取得了非常令人满意的结果。

    Feb, 2024

  • 基于集成分类器的工业物联网鲁棒性攻击检测方法

    本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

    Jan, 2021

  • 基于集成学习的入侵检测系统保护雾计算物联网环境

    该论文提出利用 NSL-KDD 数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。

    Jan, 2019