Key points are not available for this paper at this time.
Als Antwort auf die zunehmende Bedrohung durch DDoS (Distributed Denial of Service) Angriffe untersucht dieses Projekt die Stärkung der Verteidigung gegen solche bösartigen Invasionen. Das Projekt beinhaltet eine benutzerfreundliche Benutzeroberfläche mit zwei Schaltflächen: eine zum Hochladen von erfassten Verkehrsdaten und eine weitere zur Analyse, um zu klassifizieren, ob es sich um einen DDoS-Angriff handelt. Der Hintergrund des Problems strebt ein robustes und anpassungsfähiges DDoS-Erkennungssystem an, um die Kontinuität von Online-Diensten sicherzustellen. Um dies zu lösen, schlägt das Projekt einen automatisierten DDoS-Angriffserkennungsmechanismus vor, der von maschinellem Lernen und künstlicher Intelligenz unterstützt wird. Die Anwendung umfasst zwei wesentliche Experimente: das erste bewertet die Modellgenauigkeit und hebt den Entscheidungsbaum als das vielversprechendste hervor, während das zweite sich darauf konzentriert, Überanpassung während des Trainings zu verhindern. Hierbei sticht der Random Forest-Klassifikator hervor. Die aufgetretenen Herausforderungen wurden durch Techniken wie frühes Stoppen und Regularisierung gemildert. Die Anwendung des Modells in verschiedenen Szenarien zeigte sein Potenzial für eine effektive Echtzeit-DDoS-Erkennung.
Li et al. (Sat,) untersuchten diese Frage.