Hybrid GAN-LSTM for Enhancing DDoS Detection on Imbalance Dataset
Notice bibliographique
Résumé
The rapid development of internet network technology has increased the volume of data traffic.This surge in data traffic also raises the risk of Distributed Denial of Service (DDoS) attacks, which pose threats to institutions that rely on complex, interconnected networks for their operations.One of the primary challenges in combating these attacks lies in distinguishing malicious activity from normal traffic, as well as accurately detecting malicious attacks, each of which involves numerous parameters.The complexity of DDoS attacks continues to grow, further complicating detection and mitigation efforts.To address these challenges, more advanced and accurate tools are needed for DDoS attack detection.While significant research has been conducted on DDoS attacks, the use of Generative Adversarial Networks (GANs) for data balancing remains relatively unexplored.This study investigates the impact of dataset imbalances on the accuracy of DDoS attack classification and proposes models that generate synthetic data to address these imbalances.This research includes data collection, preprocessing, synthetic data generation, and performance analysis.GANs are used to generate synthetic data equivalent to the difference between the majority and minority classes in the dataset.A comparison of classification performance between the Long Short-Term Memory (LSTM) method without data balancing and the GAN-augmented model demonstrates improved results.The Hybrid GAN-LSTM model achieves accuracy rates exceeding 98% across all datasets, with F1-scores above 95%.These findings indicate that the Hybrid GAN-LSTM model addresses data imbalance issues and enhances classification accuracy.This study underscores the importance of addressing data imbalances in cybersecurity to improve the detection of DDoS attacks.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 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) | 0,002 | 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 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 ».