Detección de ataques DDoS basada en aprendizaje supervisado: Ajuste de hiperparámetros

Se aplican dos algoritmos de aprendizaje supervisado, una red neuronal básica y una red neuronal recurrente de memoria a largo y corto plazo, al tráfico que incluye ataques DDoS. Se investigan los efectos conjuntos de los métodos de preprocesamiento y los hiperparámetros para el aprendizaje automático sobre el rendimiento. Los valores que representan las características del ataque son extraídos de conjuntos de datos y preprocesados por dos métodos. Se utilizan clasificación binaria y dos optimizadores. Algunos hiperparámetros son obtenidos exhaustivamente para una detección rápida y precisa, mientras que otros se fijan con constantes para tener en cuenta el rendimiento y las características de los datos. Se realiza un experimento a través de TensorFlow en tres conjuntos de datos de tráfico. Se consideran tres escenarios para investigar los efectos del aprendizaje del tráfico anterior en el análisis de tráfico secuencial y los efectos del aprendizaje de un conjunto de datos en la aplicación a otro conjunto de datos, y determinar si los algoritmos pueden ser usados para tráfico de ataques recientes. Los resultados experimentales muestran que los métodos de preprocesamiento utilizados, las arquitecturas de red neuronal y los hiperparámetros, así como los optimizadores son apropiados para la detección de ataques DDoS. Los resultados obtenidos proporcionan un criterio para la precisión de detección de ataques.