Simultaneous Botnet Attack Detection Using Long Short Term Memory-Based Autoencoder and XGBoost Classifier
Notice bibliographique
Résumé
Botnet is a cyber-attack that aims to compromise the security of internet of things (IoT) networks by exploiting infected devices to launch attacks and gain unauthorized access to private information.Intrusion detection system (IDS) emerges as critical countermeasures for tackling the risks posed by botnet attacks, playing a crucial role in ensuring the integrity and confidentiality of data in IoT environments.Developing an effective botnet detection system depends on efficient contextual understanding and accurate attack pattern characterization.Recently, deep learning and machine learning based IDS have demonstrated promising results in traffic pattern recognition and identification as normal or malicious from raw data.However, these approaches fail to detect simultaneous botnet attacks as it ignores its distributed nature.In this paper, we propose an efficient hybrid deep learning model for simultaneous botnet attack detection over IoT networks.The twostage hybrid model analyzes the network traffic data captured from three parallel sensors and extracts simultaneous characteristics of attack traffic.The use of parallel detection enables more comprehensive coverage of the network, thereby increasing the detection accuracy of malicious activities that could be missed by a single sensor.Features are extracted using a long-short-term memory base autoencoder (LSTM-AE) over the NCC-2 Simultaneous Botnet Dataset.The LSTM-AE is trained using data from multiple sensors to model temporal characteristics and results in reduced latent representation.Attack type identification is achieved through a multi-class classification using the Extreme Gradient Boosting (XGBoost) ensemble learning algorithm.The recently released NCC-2 dataset is the first dataset to provide data representing sequential and simultaneous botnet activities detected concurrently by multiple sensors.Performance exploration indicates that for parallel botnet detection, the proposed LSTM-AE-XGB model achieves high accuracy while reducing false or missing detection.Moreover, to demonstrate model efficiency, we conducted a 10-fold cross-validation and a comparative performance analysis with the state-of-the-art ML and DL-based techniques for feature extraction and simultaneous botnet detection.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».