DDoS Detection in SD-IoT: A GA-Optimized Weighted Majority Vote Model Using SDN Simulated Datasets
Notice bibliographique
Résumé
The convergence of the Internet of Things (IoT) and Software-Defined Networking (SDN) has given rise to Software-Defined IoT (SD-IoT) architectures that offer enhanced scalability, programmability, and centralized control. However, the constrained resources of IoT devices make these environments highly vulnerable to cyber threats, particularly Distributed Denial of Service (DDoS) attacks. In this work, we improve intrusion detection in SD-IoT environments through several key contributions. We built an SDN-based simulation environment to generate realistic network traffic, including five types of DDoS and botnet attacks. Using Iperf and Hping3, we produce both benign and malicious traffic, creating two balanced datasets: one with 140,000 records for binary classification and another with 60,000 records for multi-class classification. From 17 raw statistics, we derive 11 traffic features and apply Recursive Feature Elimination with Random Forest (RFE-RF) for the binary dataset and RFE with XGBoost (RFE-XGB) for the multi-class dataset to iteratively remove irrelevant or redundant features. Further, we develop an ensemble classification model composed of nine base classifiers, integrating their outputs through a weighted majority voting scheme. To optimize the influence of each classifier, we employ a Genetic Algorithm (GA) that evolves voting weights over generations based on classification accuracy. Our GA-optimized ensemble majority model achieves an F1-score of 98.76% for binary classification and 95.35% for multi-class detection.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».