DDoS攻撃の検出と軽減のためのリアルタイム機械学習モデル

要約サービス拒否（DoS）攻撃および分散サービス拒否（DDoS）攻撃は、正当なユーザーに対してオンラインサービスを利用不可能にする、最も致命的なサイバー脅威の一つです。これらの攻撃はサービス提供者のリソースを圧倒することによって発生します。人間の生活におけるオンラインサービスの重要性を考慮し、研究者たちはこの種の攻撃を検出し軽減するための手法に取り組んできました。機械学習モデルはDDoS検出において受け入れ可能なパフォーマンスを示しました。したがって、本論文では、独自のデータ前処理アプローチを用いてネットワークトラフィックを分類し、DDoS攻撃を検出するための機械学習モデルを開発しました。我々の研究の最も革新的な側面は、我々が開発した機械学習モデルをオンラインのリアルタイムDDoS検出システムに展開し、実際のDDoS攻撃の下でテストすることです。データセット外で機能し、実際の脅威に対して使用できるDDoS検出システムの実装とテストは、本論文で行った他の類似研究の欠けている部分でした。オフラインデータにおけるモデルと、実際の攻撃の下でのシステムは共に、攻撃トラフィックを99.99％および95.30％の精度で検出する優れたパフォーマンスを示し、DDoS攻撃に対して効果的に使用できることを証明しました。