Smart and sustainable threat intelligence
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
Distributed Denial of Service (DDoS) attack is known to be the most dangerous attack in cyber-threats which is identically collective in the world of today's interconnected networks, as it mainly disrupts and makes vital services unavailable. Hackers are skilled in using multi- classification DDoS attacks to evade the detection for exploitation of the targeted networks. A proactive and efficient detection mechanism is much needed to secure the networks from multiclass DDoS attacks. However, implementing DDoS detection schemes is very difficult due to the factors such as cost, complexities, and inflexibility. Most of the work has been done to tackle these attacks; still, the open question is to find out an efficient, smart and sustainable model amongst available choices. Therefore, in this research, the author proposes a novel, lightweight Cuda- powered Deep Neural Network Long Short-Term Memory (Cu-DNNLSTM) enabled smart and sustainable threat intelligence system for large and distributed enterprise networks and is simply termed as Multiclass DDoS Detection mechanism (MDDM). The proposed approach is implemented using the current state of the art Canadian Institute of Cybersecurity (CIC)-DDoS2019 dataset that is publicly available and has been thoroughly evaluated. The preliminary results achieves 99.60% detection accuracy with a relatively low ratio of False Positives (FP) (i.e., 0.0003). Additionally, the proposed approach has also been compared with two other DL models to show the promising performance of the proposed approach. Finally, the proposed approach is highly scalable, cost effective, flexible and sustainable to be customized for any emerging computational and communication paradigm.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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