In-Network Defense: Safeguarding the Network Against Evolving DDoS Attacks
Notice bibliographique
Résumé
Emerging technologies that encompass a multitude of tiny wearable devices are vulnerable to cyberattacks that can turn them into bots for launching Distributed Denial of Service (DDoS) attacks. In-network Machine Learning (ML) has emerged as a prominent solution for detecting and responding to such attacks in the shortest possible time to avoid disrupting user experience. However, the dynamic nature of attack traffic patterns necessitates continuous adaptation of conventional one-size-fits-all ML models. The manual process of identifying novel malicious traffic patterns and updating the ML model from the control plane to the network data plane is time-consuming and labor-intensive. This study aims to automate the identification of unseen malicious traffic patterns and update the ML model in programmable networks using a data-driven approach. Specifically, we determine drift detection thresholds from the baseline performance of historical (i.e., training) data and consider any deviation as anomalies in unseen (i.e., testing) data. These thresholds are continuously updated by considering changes in the data distribution and in-network inference results. We utilize an intrusion detection dataset (CIC-IDS2017) to illustrate the impact of emerging attacks on model performance degradation and the efficacy of our proposed data-driven method in mitigating these attacks. Our approach has proven effective in safeguarding against evolving 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».