Detection of DDoS Attack Using Machine Learning Models
Notice bibliographique
Résumé
Distributed Denial of Service (DDoS) attacks remain one of the fastest-moving threats in cybersecurity, attacking important network infrastructure through flooding systems with malicious traffic and thereby degrading legitimate services. This paper envisions an end-to-end framework using machine learning (ML) for enabling precise and effective DDoS attack detection, using the CICIDS2017 benchmark dataset provided by the Canadian Institute for Cybersecurity. We conduct a systematic comparison of six supervised learning algorithms-K Nearest Neighbor (KNN), Support Vector Machine (SVM), Neural Net- works (NN), Random Forest, CatBoost, and XG Boost-with the aim of determining the topperforming model to discriminate between benign and malicious traffic patterns. Our approach is centered around rigorous data preprocessing, feature engineering, and hyperparameter tuning for ensuring generalizability and bypassing the challenge of overfitting. Experimental results indicate that ensemble-based approaches, i.e., Random Forest, CatBoost, and XGBoost, achieve near perfect classification accuracy (99.9%) with enhanced precision, recall, and F1-scores relative to conventional models like KNN and SVM. In addition, we assess computational efficiency and interpretability of the models to support practical deployment within real-world network environments. This paper not only confirms the potency of advanced ensemble methodologies in the detection of DDoS attacks but also presents a scalable, data-driven framework that can be modified to new emerging attack vectors. Future extensions include improvements in real time detection performance and adversarial robustness testing to combat zeroday 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 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».