使用神经网络检测 DDoS 攻击的方法 DDoSDet
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
提出了一种将网络流量数据转换为图像并利用卷积神经网络（CNN）对恶意攻击进行监测的方法，其具有 99.99％的检测精度和 87％的平均精度，可用于 Internet of Things（IoT）设备的安全保障。
Dec, 2020
通过利用深度残差神经网络（ResNets）和合成过采样技术，我们引入了一种增强的分布式拒绝服务（DDoS）攻击检测方法，用于有效和早期检测此类攻击，并平衡良性和恶意数据点的表示以更好地辨别攻击特征，实验证明我们的方法在真实数据集上达到了 99.98% 的准确度，显著优于传统方法，突显了将先进的数据增强技术与深度学习模型相结合以增强网络安全防御的潜力。
Jan, 2024
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
通过数字孪生技术和在线学习方法，该研究提出了一种智能分布式拒绝服务攻击检测机制，适用于互联网服务提供商（ISP）核心网络。研究实现了基于数字孪生的 DDoS 检测架构，并利用在线学习方法更新模型以实现准确预测。研究结果表明，所提出的解决方案能够在 DDoS 攻击开始后约 15 分钟内对攻击进行准确估计。
Oct, 2023
介绍了一种基于深度学习的新技术，用于检测分布式拒绝服务攻击，在各种攻击模式中通过几何和角度相似性度量改善检测准确性。使用离线训练、模拟在线训练和原型网络场景进行了全面评估，表明该模型在不同数据充裕和稀缺条件下具有稳健性。
Jun, 2024
近年来，物联网（IoT）设备的发展和实施加快。为了处理收集和传输到这些设备的大量数据，需要一个超级网络。第五代（5G）技术是一种新的综合无线技术，有可能成为 IoT 的主要推动技术。物联网设备的快速普及可能遇到许多安全限制和问题，因此出现了新的严重安全和隐私风险。攻击者使用物联网设备发起大规模攻击，其中最著名的是分布式拒绝服务（DDoS）攻击。我们在特定设计用于 5G 网络中的物联网设备的数据集上应用了两个深度学习算法 —— 卷积神经网络（CNN）和前馈神经网络（FNN）。我们使用 OMNeT++、INET 和 Simu5G 框架构建了 5G 网络基础设施。数据集包括正常网络流量和 DDoS 攻击。CNN 和 FNN 这两个深度学习算法都表现出了令人印象深刻的准确性水平，均达到了 99%。这些结果凸显了深度学习在增强 5G 网络中物联网设备安全方面的潜力。
Nov, 2023
该研究提出了一个框架，利用机器学习和可解释的人工智能技术，分类和识别 DDoS 攻击的合法流量和恶意流量，在使用 SHAP 进行解释后的分类器模型中，该模型的性能表现高于 99％的准确性。
Jun, 2023
本文介绍了一个高效的解决方案，用于识别软件定义网络中易遭到分布式拒绝服务攻击的受感染主机，该方案消耗少量计算资源和空间，并不需要任何特殊设备。
Dec, 2019