Enhancing Underwater Network Security: ML-Based Detection and Prediction of DDoS Attacks in IoUT Networks
Notice bibliographique
Résumé
The rapid expansion of underwater communication networks through autonomous drones and sensors marks a significant advancement in ocean exploration and data collection. However, this growth introduces new vulnerabilities, particularly to DDoS attacks, jeopardizing the integrity of IoUT (Internet of Underwater Things)devices. Effective mitigation of these attacks requires tailored defence strategies suited to submerged environments. This study provides quality IoUT datasets and presents a predictive model leveraging machine learning techniques to detect and mitigate DDoS threats in underwater networks. By analyzing network traffic, we employ classifiers such as Decision Trees, AdaBoost, SVM, K-Nearest Neighbours, and Random Forests to enhance detection accuracy and response times. The enhanced machine learning result was provided for various conditions of the underwater network (base, light, medium, heavy, and extreme conditions). Compared with prior IoT and IoUT studies, in a terrestrial environment, the accuracy is reported as 99%. The model maintained 99% in base condition and 96% for both validation and test accuracy at 1 meter depth. To validate the models, real-world aquatic environment datasets are collected from various locations and depths. In addition, a data validation model was implemented to verify the quality of the dataset. The proposed solution aims to strengthen the security framework of IoUT devices, ensuring the protection of critical underwater data from emerging cyber threats.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».