Investigasi log jaringan untuk deteksi serangan Distributed Denial Of Service (DDOS) dengan menggunakan metode general \nREGRESSION neural network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INDONESIA: \n \nSalah satu jenis serangan di dunia maya dengan intensitas yang cukup besar yaitu serangan Distributed Denial of Service (DDoS). Dibutuhkan sistem deteksi intrusi yang efektif dan akurat dalam mendeteksi serangan pada data intrusi jaringan untuk mengatasi hal tersebut. Oleh sebab itu, penelitian ini bertujuan untuk mengimplementasikan pendekatan baru dalam mendeteksi serangan pada data intrusi jaringan dengan tingkat akurasi yang baik. Metode yang diusulkan yaitu General Regression Neural Network yang dibantu dengan Random Forest dalam menyeleksi fitur sehingga mampu meningkatkan akurasi deteksi dan mempercepat waktu komputasi. Data latih yang digunakan yaitu CICIDS2017 dari Canadian Institute for Cybersecurity, sedangkan data uji yang digunakan yaitu log jaringan yang didapatkan dari simulasi serangan DDoS pada server web. Percobaan pertama menggunakan 69 fitur, diperoleh tingkat akurasi sebesar 66,41% dengan waktu pelatihan selama 1 jam 45 menit 6 detik. Adapun percobaan kedua menggunakan fitur terpilih yaitu sebanyak 20 fitur, diperoleh tingkat akurasi sebesar 97,21% dengan waktu pelatihan selama 42 menit 27 detik. Dari hasil percobaan tersebut, dapat disimpulkan bahwa General Regression Neural Network memiliki kemampuan deteksi dan klasifikasi yang cukup baik terhadap serangan DDoS pada data intrusi jaringan. \n \n \nENGLISH: \n \n \nOne type of attack in cyberspace with a large enough intensity is the Distributed Denial of Service (DDoS) attack. To overcome this, an effective and accurate intrusion detection system needed to detect attacks on network intrusion data. Therefore, this study aims to implement a new approach in detecting attacks on network intrusion data with a good rate of accuracy. The proposed method is the General Regression Neural Network which is assisted by Random Forest in selecting features so as to improve detection accuracy and speed up computing time. The training data used is CICIDS2017 from the Canadian Institute for Cybersecurity, while the test data used are network logs obtained from a simulation of DDoS attacks on a web server. The first experiment using 69 features, obtained an accuracy rate of 66.41% with training time for 1 hour 45 minutes 6 seconds. As for the second experiment using selected features which is 20 features, obtained an accuracy rate of 97.21% with training time for 42 minutes 27 seconds. From the results of these experiments, it can be concluded that the General Regression Neural Network has a fairly good detection and classification ability against DDoS attacks on network intrusion data.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,010 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 découle