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

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

A Novel Supervised Deep Learning Solution to Detect Distributed Denial of Service (DDoS) attacks on Edge Systems using Convolutional Neural Networks (CNN)

PDF

Vedanth Ramanathan, Krish Mahadevan, Sejal Dua

TL;DR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。

Abstract

cybersecurity attacks are becoming increasingly sophisticated and pose a growing threat to individuals, and private and public sectors. Distributed Denial of Service attacks are one of the most harmful of these threats in today's internet, disrupting the availability of essential servi

cybersecurity attacks distributed denial of service attacks deep learning convolutional neural networks mitigation technique

发现论文，激发创造

使用 ResNet 检测 IoT DoS 和 DDoS 攻击

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

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

推动 DDoS 攻击检测：利用深度残差神经网络和合成过采样的协同方法

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

5G 网络与物联网设备：基于深度学习技术的缓解 DOS 攻击

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

使用卷积神经网络进行物联网入侵检测

本文提出了一种使用卷积神经网络（CNNs）解决物联网设备入侵攻击的新方法，将传感器数据编码为卷积操作，以便 CNNs 检测攻击，并在 ResNet 和 EfficientNet 上进行评估，并与 LSTM 基线比较，结果表明该方法可以显著提高 true positive 和 false positive rate。

Nov, 2022

基于双空间原型网络的重新定义的 DDoS 攻击检测方法

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

利用深度神经网络进行恶意软件分类：性能评估与边缘设备应用

利用深度神经网络（DNNs）对恶意软件进行分类的有效性和性能进行评估，结果表明在不同类型的恶意软件上，DNNs 能够准确分类且具有较高的准确率，且通过优化模型架构和利用边缘计算能力，这些 DNN 模型在资源受限场景下实现了高效性能，为提前检测恶意软件、防止攻击的不良影响做出了重要贡献。还讨论了将安全任务分配给边缘设备的最佳考虑，以确保大规模 IoT 系统在恶意软件攻击时不会受损，倡导更加弹性和安全的数字生态系统。

Aug, 2023

增强物联网安全的前沿深度学习方法

提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统，在 CICIDS2017 数据集上实现了 99.52% 的准确率，具有实时处理能力、可扩展性和低虚警率，成功应用于当今的物联网网络，对自适应学习技术和跨领域适用性等相关领域的发展和性能进行了讨论，为显著提高网络安全性提供了强有力的解决方案。

Jun, 2024

入侵检测：深度学习方法

本研究提出了一种新的深度学习方法来检测网络入侵，运用了卷积神经网络 (CNN) 模块、长短时记忆 (LSTM) 模块和支持向量机 (SVM) 分类器，结果表明与传统机器学习方法和其他深度学习方法相比，这种方法更加有效。

Jun, 2023

一种使用深度学习进行 SDN 网络入侵检测的新方法：未来方法

该研究探讨了如何在软件定义网络（SDN）的背景下，使用网络入侵检测系统和深度学习算法进行攻击检测和提高网络安全性能。结果表明，该方法通过结合多种深度学习算法，成功地进行了二分类任务，并取得了显著的检测成果。

Aug, 2022