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

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

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

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

探索低成本、基于 Wi-Fi 的无人机系统对抗分布式拒绝服务攻击的关键问题，研究了三种 DDoS 攻击变种，利用机器学习和时间序列转换等算法开发了伴随计算机上运行的检测机制，发现时间序列转换是最高效的模型，具有 0.1 秒的运行时间和在不同分类指标下的优越性能。同时，提出了构建无人机 DDoS 检测机制的必要步骤，并改进了时间序列转换的学习位置嵌入以提高 DDoS 检测性能。

Jun, 2024

通过元学习方法构建的双网络框架，旨在解决深度神经网络在遇到少量样本的新对抗攻击时检测精确度低的问题。在 CIFAR-10，MNIST 和 Fashion-MNIST 三个数据集上实验表明，该方法相比于传统的对抗攻击检测方法具有更高的有效性。

Aug, 2019

本研究是首次系统地研究灰盒 / 黑盒交通空间对抗攻击来评估基于 ML 的 NIDS 的鲁棒性，攻击效果最高可达 97% 躲避率。研究提出可自动突变原始数据流、适用于多种 ML/DL 模型和非载荷特征的通用攻击，同时提出防御措施来提高系统鲁棒性。

May, 2020

本文介绍了一种使用经验回放的深度学习方法，以检测面部攻击中从未遇到过的新类型攻击，并自适应地识别这些攻击类型，证明其在两个基准数据集和一个新引入的数据集上的有效性。

Aug, 2021