Hybrid Approach to Classification of DDoS Attacks on a Computer Network Infrastructure
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».