Optimized Ensemble Model with Genetic Algorithm for DDoS Attack Detection in IoT Networks
Notice bibliographique
Résumé
The growth in Internet of Things (IoT) networks has made them more vulnerable to various cyber threats, in-cluding Distributed Denial of Service (DDoS) attacks. Addressing DDoS attacks in resource-constrained IoT environments demands advanced detection methods beyond traditional cybersecurity. Existing machine learning and deep learning models have a tradeoff between accuracy and complexity. Pruning and quan-tization techniques present challenges related to precision and customization, highlighting the need for more balanced solutions. In response to these challenges, this paper introduces a novel Optimized Ensemble Model with Genetic Algorithm (OMEGA) system designed to detect high- and low-volume DDoS attacks in resource-constrained IoT networks. The system employs a combination of Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) networks in its ensemble model to detect these attacks. In addition, the system employs novel post-training GA-based pruning and Min-Max quantization techniques for optimization. This combination enhances the detection accu-racy of high- and low-volume DDoS and significantly reduces computational demands, making the OMEGA system suitable for deployment in edge devices with limited resources. The OMEGA system is tested using a real-world IoT testbed and various datasets, showing an accuracy of over 90%.
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 ».