AI-Driven DDoS Detection in 5G Edge Networks: A Performance Comparison Study
Notice bibliographique
Résumé
Distributed Denial-of-Service (DDoS) attacks are one of the harmful attacks that is caused due to the increase in number of wireless devices, which in turn impact the service availability and network reliability. DDoS attacks occur in various applications such as websites, servers and DDoS attacks flood a website or service with traffic to make it unavailable, which would have a negative impact on businesses, online security, sales, and reputation. Real-time detection of such attacks at the edge may require lightweight, accurate, and responsive machine learning solutions. In this paper, a comparative study of four AI techniques—CNN, LSTM, Autoencoders, and XGBoost is performed—using a synthetic, imbalanced dataset simulating 5G network traffic. This study is done to illustrate the effectiveness, feasibility, and adaptability of AI-driven methods for DDoS detection in 5G edge networks, addressing critical limitations of traditional systems. Other reasons include early detection of DDoS attacks using AI models and real-time response, detection of sophisticated and evolving DDoS attacks, and comparison of various model performance metrics such as accuracy, latency, resource efficiency, and scalability of AI models at the edge. CNNs and autoencoders can be used to show how deep learning can automatically extract useful features from raw traffic data. The dataset consists of 500 traffic flows, each represented as a time-series with three steps, reflecting both normal and DDoS patterns. The evaluation done considers classification performance metrics and visualizes the results. XGBoost model demonstrates the highest balanced performance, while Autoencoders shows high precision in detecting anomalies but with limited recall. The research work provides practical perceptions about the suitability of each model for edge-based DDoS detection, highlighting the trade-offs between accuracy and interpretability under real-world constraints.
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 | 0,001 | 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 | 0,000 |
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 ».