研究人员开发了一个新框架，通过将生成对抗网络（GANs）与先进的机器学习模型相结合，来改进分布式拒绝服务（DDoS）攻击的检测。该方法使用带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）来创建合成对抗流量，然后将其与真实数据结合，用于训练随机森林、深度神经网络集成和Transformer等模型。由此产生的混合数据集有助于模型学习更鲁棒的决策边界，显著提高其准确性和对先前未见过的对抗流量的抵御能力。 AI
影响 该框架有望带来更具弹性的网络防御系统，能够识别和缓解复杂且不断演变的网络威胁。
排序理由 该集群包含一篇研究论文，详细介绍了使用GANs和机器学习模型进行DDoS攻击检测的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- CICDDoS2019
- Deep Neural Ensembles
- distributed denial-of-service attack
- random forest
- transformer
- Wasserstein generative adversarial network with gradient penalty
- WGAN-GP
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
