Graph Neural Network for Early DDoS Detection: Evaluating the Impact of Progressive Node Reduction in Flow Graphs
Notice bibliographique
Résumé
Distributed Denial of Service (DDoS) attacks represent a significant threat to network intrusion, often overwhelming systems by flooding them with traffic. Graph Neural Networks (GNNs) have grown as powerful tools in detecting cyberattacks due to their ability to effectively model and analyze network traffic as graphs. This thesis explores how progressively reducing the number of nodes in flow graphs influences the detection capabilities of a GNN in identifying DDoS attacks. The CICIDS2017 dataset provided by the Canadian Institute for Cybersecurity, widely utilized in cybersecurity research, was employed for experiments. Due to limitations in the dataset’s aggregated format, packet flows between IP addresses were artificially simulated. Endpoint graphs were constructed by sequentially reducing nodes to represent earlier stages of network interactions, simulating scenarios where only partial traffic flows are observable. A Graph Isomorphism Network (GIN) was chosen for its known effectiveness in capturing complex graph structures. Experimental results revealed that the accuracy of the GNN decreased progressively from 93.50\% (full graph) down to 80.27\% when only 10\% of the nodes were retained. This finding highlights a significant relationship between graph completeness and detection accuracy, demonstrating that GNNs become progressively less effective when provided with fewer nodes from the early stages of network communication. Furthermore, the study identifies a limitation related to the structural simplicity among generated graphs, suggesting that increased variation and complexity could lead to higher accuracy.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».