Adaptive distributed honeypot detection network for enhanced cybersecurity against DoS and DDoS attacks
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
The increasing prevalence and sophistication of Denial of Service (DoS) and Distributed Denial of Service (DDoS) attacks present significant challenges in ensuring the security and stability of modern networked systems. These attacks, characterized by their ability to disrupt services and compromise resources, require innovative and robust detection mechanisms to safeguard highly interactive environments such as honeypot systems. Traditional detection techniques often fall short in addressing the complexities posed by dynamic traffic patterns, diverse attack types, and real-time processing demands. This study introduces the Adaptive Distributed Honeypot Detection Network (ADHDN), a novel framework that leverages deep learning and probabilistic modeling to address the limitations of existing solutions. ADHDN employs a combination of Deep Generative Adversarial Networks (DGANs) and Discrete Hidden Markov Models (DHMMs) to achieve superior detection precision across various DoS attack types, including application-level, protocol-level, and data volume attacks. Implemented in a highly interactive honeypot environment with distributed server and virtual machine configurations, ADHDN demonstrates remarkable adaptability and resilience. Performance evaluation using the IoTID20 dataset reveals that ADHDN consistently outperforms contemporary models, such as RBMD, BNDH, and AHDL. ADHDN achieves a true positive rate of 99.7% for protocol-level attacks, 99.4% for application-level attacks, and 97.5% for data volume attacks under low attack volumes, maintaining robust performance even as attack intensity scales. These results underscore ADHDN’s potential to redefine DoS detection in dynamic and high-interaction environments, offering a scalable and efficient solution to contemporary cybersecurity challenges.
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 | 0,000 | 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 découle