ANALISIS KOMPARATIF UKURAN DAN INTENSITAS SERANGAN DDoS_ STUDI KASUS PADA UDPLag, LDAP, DAN PORTMAP MENGGUNAKAN CIC-DDoS2019
Notice bibliographique
Résumé
Serangan Distributed Denial of Service (DDoS) telah menjadi ancaman yang terus berlanjut terhadap infrastruktur digital, yang membutuhkan strategi deteksi dan mitigasi yang efisien. Studi ini menyajikan analisis komparatif dari tiga jenis serangan DDoS, yaitu UDPLag, LDAP, dan Portmap, menggunakan dataset CIC-DDoS2019 dari Canadian Institute for Cybersecurity. Tujuan penelitian ini adalah untuk memeriksa pola dan dampak dari setiap serangan berdasarkan distribusi ukuran paket, karakteristik temporal, dan tingkat risiko industri berdasarkan klasifikasi CVE. Metodologi yang digunakan meliputi statistik deskriptif, visualisasi (histogram, boxplot, heatmap, pairplot), serta teknik reduksi dimensi t-SNE. Hasil menunjukkan bahwa serangan LDAP memiliki ukuran dan volume paket terbesar, sementara Portmap memiliki tingkat risiko teknis tertinggi berdasarkan pemetaan CVE. UDPLag menunjukkan intensitas sedang dengan frekuensi tinggi. Penelitian ini menyimpulkan bahwa strategi mitigasi DDoS harus disesuaikan dengan karakteristik teknis dan risiko spesifik dari tiap jenis serangan. Pendekatan analitik visual yang dikombinasikan dengan referensi CVE memberikan wawasan penting dalam menetapkan prioritas mitigasi secara kontekstual.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».