An Intelligent Intent-Aware System for DDoS Attacks Detection and Mitigation in IoT Networks
Notice bibliographique
Résumé
As Internet of Things (IoT) networks continue to grow in complexity and scale, ensuring reliable service delivery while defending against cyber attacks such as Distributed Denial of Service (DDoS) has become increasingly critical. IoT networks, with their resource-constrained devices, diverse traffic patterns, and real-time requirements, amplify the limitations of existing DDoS detection and mitigation solutions. These solutions often prioritize classification accuracy, but rely on static policies that do not adapt to evolving traffic behaviour or prioritize critical services. To address these challenges, Intent-Based Networking (IBN) offers a promising approach by enabling networks to dynamically align with high-level service goals, such as prioritizing control traffic or ensuring low-latency communication. However, current security solutions lack integration with IBN, resulting in a gap in context-driven, intent-aware DDoS mitigation. To address this, the paper proposes an intelligent intent-aware system for DDoS attack detection and mitigation (INACT) in IoT networks. The INACT system introduces a dual-output deep learning model that classifies both the type of traffic (benign or malicious) and its operational intent (e.g., control, security, or bandwidth priority), using a multitask learning approach. The INACT system uses a gradient-based method to select the most relevant features, allowing it to run smoothly on lightweight edge devices. To take immediate and meaningful action, the system includes a controller that applies different mitigation strategies depending on the intent of traffic. This ensures that critical services are protected first and that nonessential traffic is managed with minimal disruption during the attack response. The INACT system is evaluated using benchmark datasets such as HL-IoT and CICIoT-2023 and is deployed on a real testbed. The INACT system achieves high detection and intent classification accuracy while maintaining low latency, resource usage, and mitigation effectiveness.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».