DeepLSTMDefense: A Recurrent Learning Framework for DDoS Detection using Network Traffic Sequences
Notice bibliographique
Résumé
Distributed Denial of Service (DDoS) attacks are still making networks less available, so detection needs to be able to tell the difference between real flash-crowds and fake ones with very precise timing. This paper introduces DeepLSTMDefense, a recurrent sequence-classification pipeline. Network flows are grouped into time-ordered sequences, normalized, and windowed to keep temporal dependencies. Then, stacked Long Short-Term Memory (LSTM) layers are used to model traffic dynamics more accurately than static feature learners. We trained and tested the system using CICDDoS2019 and custom Portmap traces. Compared to classical baselines (Naïve Bayes, Support Vector Machine, Random Forest), consistent gains were made: on CICDDoS2019, the accuracy was 97.9%, the precision was 98.1%, the recall was 97.8%, and the false-alarm rate was 4.3%. This cut the overall error rate from 7.517% to 2.103% (≈72.0% relative reduction). When there was only a small amount of Portmap traffic, the error rate dropped by 39.69%, showing that it works with more than one dataset. These findings were validated by an AUC exceeding 0.98 and by confusion matrices demonstrating elevated sensitivity and specificity across various attack vectors. By framing DDoS detection as sequence classification, it became possible to establish earlier and more dependable trigger points for mitigation without compromising generalization. The stacked-LSTM design was put to use for practical, almost real-time defense.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».