Компьютерные науки > Машинное обучение [представлено 16 сентября 2026 года] Название: A GAN-рамки для быстрого обнаружения DDOS в HTML (экспериментальный) резюме: наличие и последовательность онлайновых услуг остаются уязвимыми изза нападений, совершаемых DDOS. Эти нападения развиваются благодаря принятию более сложных стратегий, позволяющих избежать традиционных систем сетевой безопасности. Несмотря на эффективность моделей машинного обучения в выявлении трафика DDOS, целенаправленные состязательные нападения могут снизить их точность классификации. В рамках этой работы предлагается надежная система обнаружения, интегрирующая компенсационное состязательное моделирование с передовыми моделями машинного обучения. Мы обучили Random Forests, Deep Neural Ensembles и Трансформенерским моделям с использованием набора данных CICDDoS2019 для определения базовых показателей. Для укрепления оборонительного потенциала моделей мы создали синтетические состязательные потоки, которые имитируют возможные попытки уклонения от ответственности и противоборства с использованием генерирующей адверсариальной сети Вассерштейна с градиентным наказанием (WGAN-GP). Затем мы объединили генерируемую трафик с доброкачественным и злоумышленным движением, чтобы создать гибридные наборы данных для обучения моделей более общим границам принятия решений. Экспериментальные результаты свидетельствуют о том, что предлагаемая методология значительно повышает точность и устойчивость обнаружения, особенно в…
Основа для быстрого обнаружения DDOS
arXiv:2609.18281v1 Сообщение типа: новое резюме. Доступность и последовательность онлайновых услуг остаются уязвимыми в результате нападений, совершаемых DDOS. Эти нападения развиваются благодаря принятию более сложных стратегий, позволяющих избежать традиционных систем сетевой безопасности. Несмотря на эффективность моделей машинного обучения в выявлении трафика DDOS, целенаправленные состязательные нападения могут снизить их точность классификации. В рамках этой работы предлагается надежная система обнаружения, интегрирующая компенсационное состязательное моделирование с передовыми моделями машинного обучения. Мы обучили Random Forests, Deep Neural Ensembles и Трансформенерским моделям с использованием набора данных CICDDoS2019 для определения базовых показателей. Для укрепления оборонительного потенциала моделей мы создали синтетические состязательные потоки, которые имитируют возможные попытки уклонения от ответственности и противоборства с использованием генерирующей адверсариальной сети Вассерштейна с градиентным наказанием (WGAN-GP). Затем мы объединили генерируемый поток