Hybrid Approach to Classification of DDoS Attacks on a Computer Network Infrastructure
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The advancement in technology, its ease of use, and the competitive nature of its deployment in business operations have led to the wide spread of networking systems globally, and Ghana is not an exception. Most business operations and even personal activities are now conducted online leading to increased network connectivity, access to networked resources, and the corresponding cyber-attacks on these network systems. Distributed Denial-of-Service (DDoS) is one of the sophisticated attacks in the cyberspace. In DDOs, the attacker floods the network with massive and unsolicited traffic, causing the network infrastructure to exhaust all its resources in responding to the attacker’s request, thereby denying access to legitimate users of such resources. In this study, we designed and implemented a hybrid deep learning model (CRNN-Infusion) for detection and classification of DDoS attacks. Our model utilized the CNN, and RNN models, with the CICDDoS2019 dataset obtained from the Canadian Institute of Cybersecurity (CIC) for its training, with Random Search Hyperparameter Tuning (RSHT) and Feature Selection (FS) techniques for model efficiency and dimensionality reduction. Cybersecurity (CIC) for the model’s training, with Random Search Hyperparameter Tuning (RSHT) and FS techniques for model efficiency and dimensionality reduction. The results showed that, our proposed model is a better classifier for DDoS attacks compared to other deep learning (DL) models trained on the same dataset. With the highest accuracy of 98.92%, hybrid deep learning models are suitable for detecting and classifying DDoS attacks on network infrastructures. The findings point out that, with the appropriate choice of feature selection and hyperparameter tuning techniques, hybrid deep learning models perform optimally, with 98.92% accuracy, 99.02% precision, 98.92% recall, and 98.93% F1 score for our proposed model.
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.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle