5G Aviation Networks Using Novel AI Approach for DDoS Detection
Notice bibliographique
Résumé
The advent of Fifth Generation (5G) technology has ushered in a new era of advancements in the aviation sector. However, the introduction of smart infrastructure has significantly altered the threat landscape at airports, leading to an increased vulnerability due to the proliferation of endpoints. Consequently, there is an urgent requirement for an automated detection system capable of promptly identifying and thwarting network intrusions. This research paper proposes a deep learning methodology that merges a Convolutional Neural Network (CNN) with a Gated Recurrent Unit (GRU) to effectively detect various types of cyber threats using tabular-based image data. To transform time series features into 2D texture images, Gramian Angular Fields (GAFs) are utilized. These images are then stacked to form an N-channel image, which is fed into the CNN-GRU architecture for sequence analysis and identification of potential threats. The provide solution GAF-CNN-GRU achieved an accuracy of 98.6% on the Cranfield Embedded Systems Attack Dataset. We further achieved Precision, Recall and F1-scores of 97.84%, 91% and 94.3%. To evaluate model robustness we further tested this approach, using a benchmark random selection of input features, on the Canadian Institute for Cyber-Security (CIC) 2019 Distributed Denial-of-service attack (DDoS) Dataset achieving an Accuracy of 89.08%. Following feature optimisation our approach was able to achieve an accuracy of 98.36% with Precision, Recall and F1 scores of 93.09%, 95.45% and 94.56% respectively.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».