Evaluation of Naive Bayes, Random Forest and Stochastic Gradient Boosting Algorithm on DDoS Attack Detection
Notice bibliographique
Résumé
The Internet has given unlimited access to every user through the network used. Vulnerabilities in a network can also be caused by increasing knowledge about hacking and cracking. This is the reason why information and network security are so important. The dataset used in this study uses a dataset from CIC (Canadian Institute Cybersecurity), which covers 7 different attack scenarios, including brute-force, heartbleed, botnet, dos, DDoS, web attacks, and network infiltration from within. The existing attack documents will be extracted. Feature extraction is a process to find the feature values contained in documents for the text mining process. Based on this explanation, this DDoS attack will generate a log where the attack log will be processed and processed into a CSV file for the classification process using Naive Bayes, Random Forest, and Stochastic Gradient Boosting. In this study, researchers used the Naive Bayes, Random Forest, and Stochastic Gradient Boosting algorithms to generate a classification comparison of DDoS attack data so that researchers can find out which algorithm is the best in generating classifications for DDoS attack cases. The results of this study can be concluded that the average accuracy generated by Naive Bayes is 82.45%, the average accuracy generated by the Random Forest algorithm is 99.78%, and the average accuracy generated by the Stochastic Gradient Boosting algorithm is 100%, so that the SGB algorithm is better than Naive Bayes and Random Forest algorithms in classifying DDoS attacks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».