DDoS Attack Detection Using Smart IDS
Notice bibliographique
Résumé
Among the major threats to network security are the Distributed Denial of Service (DDoS) attacks, leading to significant disruptions and financial losses across various industries. Traditional Intrusion Detection Systems (IDS) often fall short in effectively identifying and countering these attacks due to their increasing complexity and scale. To address this challenge, this paper presents a novel approach to DDoS detection by incorporating Suricata, an open-source IDS, with Machine Learning (ML) techniques, thereby creating a Smart IDS. This integration enhances Suricata's robust rule-based detection capabilities with the predictive power of ML models, resulting in more precise and timely identification of DDoS threats. The system's architecture was evaluated using the extensive CIC2023 dataset, supplied by researchers from the Canadian Institute for Cybersecurity (CIC), which contained both benign and malicious traffic. The analysis focused on features like packet rate, flow duration, and entropy. Various ML models, including Decision Trees, Random Forest (RF), and Deep Neural Networks (DNN), were evaluated to identify the best fit for integration with Suricata. The experimental results demonstrate that the Smart IDS significantly enhances DDoS attack detection compared to traditional approaches, especially in minimizing false positives. Suricata alone reached an accuracy of 87 %, but integrating it with the ML models raised detection accuracy to 99 %. This research contributes to the advancement of network security by providing a scalable and adaptable solution for real-time DDoS detection, with promising applications in both academic research and enterprise settings.
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 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».