Harris Corner Detection Algorithm based Long Short-Term Memory for Detecting Distributed Denial of Service Anomalies in Software Defined Networks
Notice bibliographique
Résumé
Software-Defined Networking (SDN) is the innovative development in network technology with a number of attractive features, including management and flexibility. Despite these advantages, SDN was compromised by Distributed Denial of Service (DDoS) attacks, which causes substantial challenge due to the harm networks. Hence, innovative model is required to identify DDoS attacks despite a range of security methods. In order to detect DDoS attacks in SDN in real time, the Harris Corner Detection Algorithm-Long Short-Term Memory (HCDA-LSTM) is presented in this research. The Canadian Institute of Cybersecurity Intrusion Detection system (CICIDS) 2017 dataset is initially used to collect the data. Consequently, the proposed HCDA-LSTM model significantly reduced the challenges of network security, particularly in relation to SDN. The proposed method enhances SDN security by mitigating DoS/DDoS attacks and improve the performance effectively in results. When compared to the existing models such as Deep Learning Approach for Detecting Controller (DLADSC), Extreme Gradient Boosting (XGBoost) and XRDI the suggested HCDA-LSTM method achieved better performances in terms Accuracy in CICIDS 2017 dataset of 99.92%, Precision of 99.64%, F-measure of 98.89% and recall of 98.65% which is comparatively higher when compared to existing models.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,001 | 0,001 |
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 ».