利用邏輯迴歸和支持向量機方法檢測分散式阻斷服務攻擊

核心概念

本文探討利用機器學習方法，特別是邏輯迴歸和支持向量機，有效檢測和分類分散式阻斷服務 (DDoS) 攻擊，並與其他機器學習模型進行比較分析，證明其在偵測 DDoS 攻擊方面的準確性和有效性。

摘要

研究論文摘要

書目資訊

Ullah, M. A., Jamal, A. A., Tuhin, R. A., & Akhter, S. (20XX). Detecting Distributed Denial of Service Attacks Using Logistic Regression and SVM Methods. IEEE.

研究目標

本研究旨在探討利用機器學習方法，特別是邏輯迴歸和支持向量機，檢測和分類分散式阻斷服務 (DDoS) 攻擊的效能。

研究方法

研究人員使用一個包含 27 個網路相關屬性和 DDoS 攻擊類別標籤的標準資料集。他們將資料集分為訓練集和測試集，並分別使用邏輯迴歸和支持向量機模型進行訓練和測試。模型的效能通過準確率、精確率和召回率進行評估。

主要發現

邏輯迴歸和支持向量機模型在 DDoS 攻擊檢測方面均取得了 98.65% 的高準確率，優於先前使用相同資料集進行實驗的其他機器學習模型，如多層感知器、樸素貝葉斯和隨機森林。

主要結論

研究結果表明，邏輯迴歸和支持向量機是檢測和分類 DDoS 攻擊的有效方法。這些模型可以準確識別網路流量中的惡意模式，並將其分類為不同的 DDoS 攻擊類型。

研究意義

本研究對於網路安全領域具有重要意義，特別是在保護網路基礎設施免受 DDoS 攻擊方面。高精度的 DDoS 攻擊檢測模型可以幫助網路管理員及時採取應對措施，減輕攻擊造成的損害。

研究限制和未來方向

本研究使用的是一個公開的 DDoS 攻擊資料集，可能無法完全代表真實世界的網路環境。未來研究可以使用更大、更多樣化的資料集來驗證模型的泛化能力。此外，還可以探討其他機器學習方法或混合方法，以進一步提高 DDoS 攻擊檢測的準確性和效率。

統計資料

邏輯迴歸和支持向量機模型的分類準確率均為 98.65%。
先前使用相同資料集進行實驗的樸素貝葉斯、隨機森林和多層感知器模型的準確率分別為 96.91%、98.02% 和 98.63%。

引述

從以下內容提煉的關鍵洞見

Detecting Distributed Denial of Service Attacks Using Logistic Regression and SVM Methods

by Mohammad Ara... 於 arxiv.org 11-25-2024

https://arxiv.org/pdf/2411.14512.pdf