Detection Syn Flood and UDP Lag Attacks Based on Machine Learning Using AdaBoost
Notice bibliographique
Résumé
Syn flood is a commonly used Distributed Denial-of-Service (DDoS) attack that aims to overwhelm a server by sending a large number of Transmission Control Protocol (TCP) SYN requests without completing the handshake process and rejecting user packets. On the other hand, UDP flood attacks target the network infrastructure rather than the server, making it difficult to identify the source of the attack. In recent years, research related using machine learning to detect Distributed Denial-of-Service (DDoS) attacks with different methods. Steps taken to detect SYN Flood and UDP Lag attacks are system design, data collection, search, and data analysis. Test metrics such as precision, recall, accuracy, and F1-score are closely related to machine learning algorithms used for detecting Distributed Denial-of-Service (DDoS) attacks, including SYN Flood and UDP Lag attacks. Some literatures on SYN Flood attack detection have a low accuracy value with algorithm has been used. With the research conducted by author in detecting attacks by designing and building a system using machine learning algorithm which include ensemble Learning using AdaBoost and CICDDoS2019 dataset. For AdaBoost is an ensemble algorithm boosting type classifier that each individual model has its own way self to build sequentially by repeating the previous and CICDDoS2019 dataset was created by the Canadian Institute for Cybersecurity (CIC) at the University of New Brunswick.
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 | 0,000 |
| Science ouverte | 0,000 | 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 ».