SDN-Assisted Network-Based Mitigation of Slow DDoS Attacks
针对网络应用程序的慢速攻击通常不容易检测，因为攻击者的行为符合规范。许多网络应用程序的服务器没有为这种攻击做好准备，这要么是由于缺少对策，要么是因为它们的默认配置忽略了这种攻击。保护网络服务免受此类攻击的压力越来越多地从服务运营商转移到受攻击服务器的网络运营商。诸如软件定义网络之类的最新技术提供了灵活性和可扩展性，以在没有目标运营商的帮助下分析和影响网络流。基于我们以前在基于网络的缓解方面的工作，我们扩展了一个框架，以检测和缓解网络基础设施内运行缓慢的DDoS攻击，但不需要访问受到攻击的服务器。我们开发和评估了几种识别方案，以确定攻击者在网络中完全基于网络流量信息。我们表明，通过测量数据包的速率和数据包的距离的均匀性，一个可靠的标识符可以建立，给定的部署网络的训练期。
2018-04-18 cs.CR cs.NI
The role of Blockchain in DDoS attacks mitigation: techniques, open challenges and future directions
近年来，随着物联网（IOT）和软件定义网络（SDN）等新技术的普及，分布式拒绝服务（DDoS）攻击媒介不断扩大，并为针对目标受害者的更复杂的DDoS攻击提供了新的机会。新的攻击向量包括连接到互联网的不安全和易受攻击的物联网设备，SDN架构中的南向通道饱和等拒绝服务漏洞。鉴于这些攻击的数量大、范围广，利益相关者合作及时检测和缓解拒绝服务攻击是有益的。区块链技术被认为是由于分散的设计，安全的分布式存储和隐私而提高了安全性。在现有技术中没有探索用于DDoS攻击缓解的区块链技术的彻底探索和分类。本文回顾并分类了现有的基于区块链技术的最先进的DDoS缓解解决方案。DDoS缓解技术根据解决方案部署位置进行分类，即基于网络，靠近攻击者位置，靠近受害者位置以及网络架构中的混合解决方案，重点是物联网和SDN架构。此外，根据我们的研究，讨论了实施基于区块链的DDoS缓解解决方案的研究挑战和未来方向。我们相信这篇论文可以作为未来研究人员使用区块链技术检测和缓解拒绝服务攻击的起点和参考资源。
2022-02-08 cs.CR
Timely Detection and Mitigation of Stealthy DDoS Attacks via IoT Networks
物联网（IoT）网络由传感器、执行器、移动和可穿戴设备组成，这些设备可以连接到互联网。由于市场上已有数十亿具有重大漏洞的此类设备，互联网服务以及一些也连接到互联网的网络物理系统面临着危险的威胁。具体来说，由于其现有的漏洞，物联网设备很容易受到损害，并成为一种新型的隐形分布式拒绝服务（DDoS）攻击的一部分，称为蒙古DDoS，其特点是其广泛分布的性质和每个来源的攻击规模小。本研究提出了一种新的基于异常的入侵检测系统（IDS），能够及时检测和缓解这种新兴类型的DDoS攻击。建议的IDS的检测和缓解隐身DDoS攻击的能力，甚至非常低的攻击大小，每个源通过数值和测试台实验证明。
2020-06-15 cs.CR cs.NI stat.ML
Proactive DDoS Attack Mitigation in Cloud-Fog Environment using Moving Target Defense
分布式拒绝服务（DDoS）攻击是一种严重的网络攻击，在云中减轻DDoS攻击是一个持续研究的主题，仍然是一个主要的安全挑战。雾计算是云计算的一种扩展，已被用于保护云。移动目标防御（MTD）是一种新认可的主动安全防御，可用于减轻云上的DDoS攻击。MTD通过不断改变攻击面来迷惑攻击者，使系统具有动态性和不确定性。提出了一种基于MTD技术的云雾平台DDoS攻击防御框架（CFPM）。CFPM在雾层采用迁移MTD技术来抵御云中的DDoS攻击。它在雾层主动检测所有合法客户端中的攻击者，并将其与无辜客户端隔离开来。CFPM使用有效的请求处理过程进行负载均衡和攻击者隔离过程，旨在最大限度地减少对云服务器和服务雾服务器的中断。此外，CFPM的有效性进行评估，通过分析攻击前后的系统的行为，考虑不同的可能情况。这种方法是有效的，因为它使用了MTD技术和雾计算范式支持云环境的优势。
2020-12-03 cs.CR
Collaborative P4-SDN DDoS Detection and Mitigation with Early-Exit Neural Networks
International University of Rabat（拉巴特国际大学）；University Mohammed VI Polytechnic（穆罕默德六世polytechnic大学）；University of Leeds（利兹大学）
本文提出一种协同架构，结合P4可编程数据平面与SDN控制平面，利用早退神经网络实现实时DDoS检测与响应，提升检测精度并降低延迟。
2025-09-15 cs.CR
Intelligent Detection and Mitigation of Carpet-Bombing DDoS Attacks in SDN Using Retrieval-Augmented Generation and Large Language Models
College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）；ICNLab, Shenzhen Graduate School, Peking University（北京大学深圳研究生院ICN实验室）
提出一种结合检索增强生成（RAG）和大语言模型（LLM）的框架，通过接口级流量特征、语义嵌入和相似性检索，实现对SDN中地毯式轰炸DDoS攻击的实时检测与缓解，无需传统监督训练。
2026-05-25 cs.AI cs.CR cs.NI
Five Minutes of DDoS Brings down Tor: DDoS Attacks on the Tor Directory Protocol and Mitigations
Purdue University（普渡大学）；Supra Research
本文研究了通过DDoS攻击在五分钟内破坏Tor目录协议的可能性，并提出基于部分同步假设的新协议以增强安全性。
2026-03-23 cs.CR
One Year of DDoS Attacks Against a Cloud Provider: an Overview
分布式拒绝服务攻击是云提供商面临的最重要威胁之一。近年来，DDoS攻击变得越来越重要和复杂。由于攻击者快速适应旨在对抗他们的检测和缓解方法，因此行业需要不断监控和分析他们面临的攻击。在本文中，我们概述了2021年针对我们基础设施的攻击。我们的动机是深入了解DDoS攻击在欧洲大型云提供商中仍然存在的挑战
2022-08-30 cs.CR cs.NI
DDoS Never Dies? An IXP Perspective on DDoS Amplification Attacks
DDoS攻击仍然是互联网边缘基础设施、Web服务和云平台持续运行的主要安全威胁。虽然大量的研究集中在DDoS检测和保护上，但到目前为止，我们最终未能完全根除DDoS。然而，DDoS攻击机制的格局甚至在不断发展，需要对野外DDoS攻击进行更新。在本文中，我们通过分析具有丰富的不同网络生态系统的主要IXP中的多个Tbps流量，在一天内识别出多达2608次DDoS放大攻击。我们观察到众所周知的扩增攻击协议的流行（例如，NTP、CLDAP），鉴于既定的缓解战略，该项目应不再存在。然而，在我们的观察中，它们在DDoS放大攻击中占最大比例，我们见证了使用最近发现的放大协议（例如，OpenVPN、ARMS、Ubiquity Discovery Protocol）。通过分析DDoS对核心互联网基础设施的影响，我们表明，DDoS可以过载骨干容量和过滤方法在以前的工作忽略了97%的攻击流量。
2021-03-07 cs.CR cs.NI
DDoS Attacks in Cloud Computing: Issues, Taxonomy, and Future Directions
与云计算相关的安全问题与各种利益相关者有关，以便做出明智的云采用决策。除了数据泄露之外，网络安全研究社区正在重新审视云特定解决方案的攻击空间，因为这些问题会影响预算，资源管理和服务质量。分布式拒绝服务（DDoS）攻击是云空间中的一种严重攻击。在本文中，我们介绍了与云中DDoS攻击缓解解决方案相关的发展。特别是，我们提出了一个全面的调查，详细了解这些攻击的特征，预防，检测和缓解机制。此外，我们提出了一个全面的解决方案分类来分类DDoS攻击解决方案。我们还提供了关于重要指标的全面讨论，以评估各种解决方案。这项调查的结论是，有一个强大的需求的解决方案，这是设计保持效用计算模型铭记。准确的自动扩展决策、多层缓解和使用云中丰富资源的防御是所需解决方案的一些关键要求。最后，我们提供了一个明确的指导方针，有效的解决方案建设和详细的解决方案要求，以帮助网络安全研究社区在设计防御机制。据我们所知，这项工作是一种新的尝试，以确定需要的DDoS缓解解决方案，涉及多层次的信息流和有效的资源管理在攻击过程中。
2017-08-28 cs.CR
Toward a real-time TCP SYN Flood DDoS mitigation using Adaptive Neuro-Fuzzy classifier and SDN Assistance in Fog Computing
针对雾计算中TCP SYN Flood DDoS攻击问题，提出利用ANFIS和SDN辅助的FASA系统进行实时缓解，仿真表明其在准确率等指标上优于其他算法。
2023-11-27 cs.CR
FLEAM: A Federated Learning Empowered Architecture to Mitigate DDoS in Industrial IoT
分布式拒绝服务（DDoS）攻击对工业物联网（IIoT）是有害的，因为它会在网络对象上引发严重的资源匮乏。最近的动态表明，对于使用僵尸网络的攻击者来说，这是一项利润丰厚的业务。目前的集中缓解解决方案集中在受害者一方的检测和缓解，对黑客攻击成本和维护者的合作关注不够。因此，我们提出了联邦学习授权缓解架构（FLEAM），以倡导联合防御，招致更高的黑客费用。FLEAM将FL和雾计算相结合，以减少缓解时间并提高检测准确性，使防御者能够共同对抗僵尸网络。我们的综合评估显示，攻击费用是传统解决方案的2.5倍，缓解延迟降低约72%，准确性平均提高47%。
2021-12-10 cs.CR cs.IT math.IT
9-1-1 DDoS: Threat, Analysis and Mitigation
911紧急服务属于美国16个关键基础设施部门之一。从移动电话僵尸网络发起的分布式拒绝服务（DDoS）攻击对这一重要服务的可用性构成了重大威胁。在本文中，我们将展示攻击者如何利用蜂窝网络协议，以发起匿名DDoS攻击911。当前的FCC规定要求所有紧急呼叫被立即路由，而不管呼叫者的标识符（例如，IMSI和IMEI）。放置在移动电话基带固件中的rootkit可以屏蔽和随机化所有蜂窝标识符，导致设备在蜂窝网络中没有真正的标识。这种匿名电话可以发出重复的紧急呼叫，从技术上或法律上讲，网络或紧急呼叫中心无法阻止这些呼叫。我们探讨911基础设施，并讨论为什么它容易受到这种攻击。然后，我们实现不同形式的攻击，并在小型蜂窝网络上测试我们的实现。最后，我们模拟和分析匿名攻击的模型，目前的911基础设施，以衡量其影响的严重性。我们发现，使用不到6K的机器人（或10万美元的硬件），攻击者可以阻止整个州的紧急服务（例如，北卡罗来纳州）。我们相信，本文将有助于相关组织、立法者和安全专业人员了解此问题的范围，以防止未来可能发生的911-DDoS攻击。
2016-09-08 cs.CR
Proactive DDoS Detection and Mitigation in Decentralized Software-Defined Networking via Port-Level Monitoring and Zero-Training Large Language Models
College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）
针对去中心化软件定义网络（dSDN）的DDoS攻击漏洞，提出一种结合端口级监控与零训练DeepSeek-v3 LLM的检测与缓解框架，实现近乎完美的检测精度并在源头阻断恶意流量。
2025-11-01 cs.AI cs.CR
Multi Layer Protection Against Low Rate DDoS Attacks in Containerized Systems
EPITA；School of Engineering and Computer Science（工程与计算机科学学院）
本文提出一种多层防御策略，通过集成WAF、限流、动态黑名单和零信任原则，有效防御容器化环境中的低速率DDoS攻击。
2026-02-11 cs.CR cs.NI
DoS and DDoS Mitigation Using Variational Autoencoders
Oslo Metropolitan University（奥斯陆城市大学）；University of Oslo（奥斯陆大学）；University of Granada（格拉纳达大学）
在过去十年中，DoS和DDoS攻击的规模和数量一直在增长，现有的解决方案通常效率低下。与其他类型的恶意网络攻击相比，DoS和DDoS攻击更具挑战性。由于它们能够将自己伪装成合法流量，因此开发在数据包或流级别检测这些类型的攻击的方法已被证明是一项艰巨的任务。在本文中，我们探讨了变分自编码器作为区分正常和恶意流量的智能安全解决方案中的一个组件的潜力。提出了两种基于变分自编码器从网络业务流中学习潜在表示的方法。第一种方法采用基于从流量跟踪中学习的变分自编码器获得的潜在编码的分类器。第二种方法是一种异常检测方法，其中使用变分自编码器来学习唯一合法流量的抽象特征表示。然后，通过依赖于变分自编码器的重构损失来滤除异常。这两种方法都在具有相似特征空间的两个独立数据集上进行了彻底的测试。结果表明，这两种方法都是有前途的，与基于异常的方法相比，基于分类器的方法略有优势。%，第一种方法能够在训练和验证数据上以高精度成功地检测各个业务流，在测试数据上稍微不太成功。对于第二种方法，变分自编码器将需要进一步的调整，以便能够从网络业务流中充分滤除异常。
2021-05-14 cs.CR cs.LG cs.NI
Preventing DDoS using Bloom Filter: A Survey
分布式拒绝服务攻击（DDoS）是网络安全中的一个突出问题，对服务提供商构成了巨大的威胁。防御DDoS攻击是一项重大挑战。DDoS使服务在一定时间内不可用。这种现象损害了服务提供商，因此损失了业务收入。因此，DDoS是一个巨大的挑战。针对DDoS攻击的防御机制有很多，本文主要介绍了Bloom Filter在DDoS攻击防御中的应用。Bloom Filter是一种概率性的数据结构，用于返回true或false的成员资格查询。Bloom Filter使用微小的内存来存储大量数据的信息。因此，数据包信息存储在Bloom Filter中，以防御和击败DDoS。本文介绍了利用Bloom Filter进行DDoS防御的技术。
2018-10-15 cs.CR cs.NI
Detecting and Mitigating DDoS Attacks with AI: A Survey
Department of Computer Science, University of Bucharest（布加勒斯大学计算机科学系）
本文综述了基于AI的DDoS攻击检测与缓解方法，提供了基于专家层次和AI生成树状图的分类法，讨论了数据集、对抗训练及未来研究方向。
2026-06-17 cs.AI cs.CR cs.LG
Prediction and Detection of FDIA and DDoS Attacks in 5G Enabled IoT
第五代（5G）网络中的安全性已成为电信行业的主要关注点之一。5G安全挑战来自于5G网络涉及不同的利益相关者，使用不同的安全要求和措施。这些利益相关者之间的安全管理防御可能导致安全攻击。因此，安全解决方案应针对不同5G垂直领域（例如，工业4.0、物联网（IoT）等）。5G和完全连接的系统（如物联网）之间的相互依赖性需要一些标准的安全要求，即完整性，可用性和机密性。在本文中，我们提出了一种用于保护5G物联网网络的分层架构，以及一种用于预测和检测虚假数据注入攻击（FDIA）和分布式拒绝服务攻击（DDoS）的安全模型。该安全模型是基于马尔可夫随机过程，这是用来观察每个网络设备的行为，并采用基于范围的行为筛选策略。仿真结果证明了所提出的架构和模型在5G物联网环境下检测和预测FDIA和DDoS攻击的有效性。
2022-01-27 cs.CR
An SDN-based Approach For Defending Against Reflective DDoS Attacks
分布式反射式拒绝服务（Distributed Reflective Denial of Service，DRDoS）攻击是对Internet服务的一种不可忽视的威胁。这种攻击的潜在规模在2018年3月变得明显，当时基于memcached的攻击达到了1.7 Tbps的峰值。基于UDP构建的新型服务增加了对自动缓解机制的需求，这些机制可以在不事先了解实际使用的应用程序协议的情况下对攻击做出反应。凭借软件定义网络提供的灵活性，我们开发了一种新的防御DRDoS攻击的方法;它不仅可以防御任意DRDoS攻击，而且对攻击目标是透明的，可以在没有目标主机操作员的帮助下使用。该方法提供了一个强大的缓解系统，这是协议无关的，有效的防御DRDoS攻击。
2018-08-03 cs.CR
20 Years of DDoS: a Call to Action
僵尸网络分布式拒绝服务（DDoS）攻击已经有20年的历史了，在这段时间里发生了什么变化？它们的破坏性存在，它们的数量，在全球的分布，以及启动它们的相对容易性都倾向于攻击者。我们网络容量的增加和我们的架构设计原则使我们的在线世界更加丰富，但至少像互联网服务一样有利于攻击者。DDoS缓解技术一直在不断发展，但随着攻击从网络转移到应用程序级别，其复杂性和多样性不断增加，我们在运营上落后于攻击者。现在是时候问一些基本问题了：我们的网络架构中是否存在从根本上导致DDoS攻击的核心设计问题？如何增强我们的网络基础设施，以解决导致DDoS问题的原则？我们如何激励开发和部署必要的变革？在这篇文章中，我们想敲响警钟，并呼吁研究界采取行动。我们认为，基础研究和原则性分析是迫切需要的，因为现状并没有为未来描绘出一幅美好的画面。
2019-04-21 cs.CR cs.NI
Feature Selection via GANs (GANFS): Enhancing Machine Learning Models for DDoS Mitigation
School of Electrical and Computer Science University of Ottawa（电气与计算机科学学院 莱斯布里奇大学）
针对高维冗余流量下DDoS检测特征选择难题，提出基于生成对抗网络的GANFS方法，利用攻击流量训练判别器并通过扰动敏感性分析排序特征，在CIC-DDoS2019数据集上提升了分类准确率与计算效率。
2025-04-21 cs.AI cs.CR cs.LG
Quantum Analogue of Entropy Based DDoS Detection
分布式拒绝服务（DDoS）攻击可能发生在量子网络中，这可能对其密钥分发协议构成重大威胁。我们介绍了一个经典的熵DDoS检测系统的量子模拟，并将其应用在检测攻击的量子网络的上下文中。特别是，我们研究DDoS攻击的量子中继器和利用相关的纠缠熵的检测系统。我们的方法有助于量子信息从数据安全领域到网络安全领域的应用。
2022-03-16 cs.CR quant-ph
RSU-Based Online Intrusion Detection and Mitigation for VANET
安全的车辆通信是安全交通管理的关键因素。智能交通系统（ITS）的有效安全需要有效且及时的入侵检测系统（IDS）。在本文中，我们考虑了虚假数据注入攻击和分布式拒绝服务（DDoS）攻击，特别是隐身DDoS攻击，针对完整性和可用性，分别在车辆自组网（VANET）。新的统计入侵检测和缓解技术的基础上，通过路边单元（RSU）的集中式通信提出了所考虑的攻击。所提出的方法的性能进行评估，使用交通模拟器和一个真正的交通数据集。与最先进的解决方案的比较清楚地表明了所提出的方法在快速准确地检测和定位网络攻击方面的优越性能。
2022-07-17 cs.CR
Enhancing Network Security: A Hybrid Approach for Detection and Mitigation of Distributed Denial-of-Service Attacks Using Machine Learning
World University of Bangladesh（孟加拉世界大学）
本文提出一种结合1D CNN特征提取与RF、MLP分类器的混合模型，在CIC-DDoS2019数据集上实现多类DDoS攻击检测，并通过与Snort集成验证其检测与缓解攻击的有效性。
2025-03-07 cs.CR cs.LG
SHoM: A Mental-Synthesis Trust Management Model for Mitigating Botnet-Driven DDoS Attacks in the Internet of Things
本文提出SHoM信任管理模型，通过综合考量信任相关的安全因素，缓解物联网中由僵尸网络驱动的DDoS攻击，并基于对40至50个现有安全模型的综述研究进行设计。
2025-08-16 cs.CR
Mirage: Towards Deployable DDoS Defense for Web Applications
分布式拒绝服务（DDoS）攻击对Internet服务的安全构成了严重威胁。然而，尽管进行了十多年的研究，并提出了若干解决这一问题的建议，但迄今为止在实际采用方面进展甚微。我们提出的海市蜃楼，一个协议，实现了与其他DDoS缓解方案相当的性能，同时提供的好处时，只部署在服务器的本地网络和上游ISP，本地业务目标可能会激励部署。Mirage不需要源端主机安装任何软件来访问受Mirage保护的网站。与以前的提案不同，Mirage只需要已经部署在当今路由器中的路由器的功能，尽管此功能可能需要根据部署点进行扩展。我们的方法是，终端主机可以通过采用移动目标的原则来挫败攻击者：在我们的体系结构中，终端主机定期更改IP地址，以保持攻击者的猜测。目的地终端主机的活动IP地址的知识可以充当发送数据的隐式授权。我们评估幻影使用理论分析，模拟和PlanetLab上的原型实现。我们发现，我们的设计提供了一个可部署的，但有效的DDoS防御的第一步。
2012-08-30 cs.CR cs.NI
A Review on the Security Vulnerabilities of the IoMT against Malware Attacks and DDoS
该综述梳理2019-2024年相关研究，分析IoMT在恶意软件与DDoS攻击下的安全漏洞及成因，提出机器学习、区块链等缓解方案，呼吁开发轻量级安全措施与标准化协议。
2025-01-13 cs.CR
SoK: A Data-driven View on Methods to Detect Reflective Amplification DDoS Attacks Using Honeypots
本文系统综述了基于蜜罐检测反射放大DDoS攻击的方法，通过大规模部署和真实基线数据验证不同平台效果，质疑观测收敛即完整的假设，并提出可复现研究指导与开放挑战。
2023-04-24 cs.CR cs.NI
Modern DDoS Attacks and Defences -- Survey
拒绝服务（DoS）和分布式拒绝服务（DDoS）攻击通常用于中断网络服务。攻击技术一直在改进，并且由于互联网的结构和网络协议的属性，很难使检测和缓解技术保持最新。在这一领域已经进行了大量的研究，这表明完全防止DDoS攻击是困难的，因此大多数研究的主要目的是最大限度地提高合法用户的服务质量（QoS）。本调查报告旨在提供DDoS攻击的清晰总结，并重点介绍最近提出的一些防御技术。深入分析的研究论文主要集中在虚拟机（VM）（HoneyMesh）和网络功能虚拟化（NFV）（VGuard和VFence）的使用上。
2022-09-30 cs.CR
Intelligent DoS and DDoS Detection: A Hybrid GRU-NTM Approach to Network Security
JAIN (Deemed – to – be University)（JAIN（准大学））；KSR College of Engineering（KSR工程学院）
本文提出一种结合GRU与NTM的混合深度学习模型，在UNSW-NB15和BoT-IoT数据集上实现99%准确率的DoS/DDoS攻击检测，为实时网络安全防护提供新方法。
2025-04-10 cs.CR cs.LG
5G Networks and IoT Devices: Mitigating DDoS Attacks with Deep Learning Techniques
Al-Baha University（阿尔巴哈大学）
本文针对5G网络中物联网设备面临的DDoS攻击，应用CNN和FNN深度学习算法进行检测与缓解，在专门数据集上均达到99%的准确率，验证了深度学习在提升5G物联网安全性方面的潜力。
2023-11-12 cs.CR cs.LG cs.NI
Zero-day DDoS Attack Detection
University of Wisconsin Madison（威斯康星大学麦迪逊分校）
检测零日（新型）攻击的能力在网络安全行业中变得至关重要。由于攻击特征的不断变化，现有的网络入侵检测系统往往无法检测到这些威胁。该项目旨在通过利用在进入专用网络之前捕获的网络流量来解决检测零日DDoS（分布式拒绝服务）攻击的任务。结合神经网络使用现代特征提取技术来确定网络分组是良性的还是恶意的。
2022-08-31 cs.CR cs.LG cs.NI
How To Mitigate And Defend Against DDoS Attacks In IoT Devices
本文分析了IoT网络中DDoS攻击的性质与影响，提出了包含IPv6 ULA、边缘计算、SDN、蜜罐欺骗和基于机器学习的入侵检测系统等分层缓解策略，以帮助工程师和研究人员实施实用对策保护IoT基础设施。
2025-07-15 cs.CR
Trust Implications of DDoS Protection in Online Elections
在线选举成为分布式拒绝服务攻击的自然目标。担心投票中断的选举机构可能会从云提供商那里购买DDoS保护服务。然而，目前的DDoS检测和缓解方法是以显著增加对云提供商的信任为代价的。在本文中，我们研究了2017年西澳大利亚州选举背景下拒绝服务预防的安全影响，揭示了行为者和基础设施之间的复杂互动远远超出了其边界。基于这种部署的公开可观察的属性，我们概述了几种攻击场景，包括一个可以让一个民族国家获得必要的凭据，在一个不相关的国内执法或国家安全行动的背景下，在中间人的外国选举，我们认为，目前存在一个根本的紧张局势之间的信任和可用性在网上选举。
2017-08-03 cs.CR
Forecasting Future DDoS Attacks Using Long Short Term Memory (LSTM) Model
Universiti Malaya（马来亚大学）；Universiti Teknikal Malaysia Melaka（马来西亚马六甲技术大学）
针对现有DDoS攻击预测研究相对不足的问题，本文采用符合CRISP-DM模型的方法，基于更新数据集用LSTM深度学习模型预测未来DDoS攻击，以支撑攻击缓解方案的制定。
2025-09-02 cs.AI cs.CR
DoS and DDoS in Named-Data Networking
随着越来越多的人认识到，目前的互联网协议正在达到其衰老的极限，一些正在进行的研究工作，旨在设计潜在的下一代互联网架构。虽然它们在成熟度和范围上有所不同，但为了避免过去的陷阱，这些努力都试图将安全和隐私视为基本要求。对困扰当今互联网的拒绝服务（DoS）攻击的恢复能力是任何新架构的主要问题，值得充分关注。在本文中，我们专注于拒绝服务在一个特定的候选下一代互联网架构命名数据网络（NDN）-信息为中心的网络方法的实例。通过强调内容传播，NDN似乎是许多类型的当前和新兴的通信模型的吸引力和可行的方法。它还集成了一些基本的安全功能，可以减轻某些攻击。然而，NDN的拒绝服务攻击的弹性还没有被分析的日期。本文代表了NDN中DoS评估和可能缓解的第一步。在识别和分析了几种新的攻击类型后，研究了它们的变化、影响和对策。本文还揭示了一些关于自我证明相对于人类可读名称的相对优点的长期争论。
2012-08-07 cs.CR cs.NI
A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks
Victoria University（维多利亚大学）
本文评估了XGBoost、KNN、SGD和Naïve Bayes等机器学习模型在IoT网络中检测DDoS攻击的效能，通过多项指标对比分析了各模型在动态环境中的优劣势，证明了机器学习能显著增强IoT安全框架。
2024-11-08 cs.CR cs.LG
Enhanced CBF Packet Filtering Method to Detect DDoS Attack in Cloud Computing Environment
互联网、企业内部网、电子商务及其用户的迅猛发展，已经进入了一个全球性竞争和争夺的创新时代。多节点拒绝服务攻击是通过干扰竞争服务器的服务来实现的。攻击可能有多种原因。这是云环境的一大威胁。传统的防御方法由于其有效性低、存储量大等特点，难以应用于云安全领域。各种攻击的效果可以降低云的影响。因此，鉴于这一挑战性任务，本文旨在加强云安全的建议方法。针对云计算环境下基于关联模式的基于置信度的过滤方法（CBF），提出了一种改进方法，以降低云计算环境下的DDoS攻击。该修改引入了标称的额外带宽，并试图提高受害者发起的服务器的处理速度。
2013-04-26 cs.CR
DDoS Attacks with Randomized Traffic Innovation: Botnet Identification Challenges and Strategies
分布式拒绝服务（DDoS）攻击通常通过$botnet$发起，$botnet$是隐藏在网络中的受损节点的“军队”。因此，用于DDoS缓解的推理工具应该能够及早可靠地区分正常用户和受感染的用户。不幸的是，最近出现的在应用层执行的攻击已经成倍增加了僵尸网络可以利用来隐藏其恶意活动的可能性。新的挑战出现了，不能简单地借用迄今为止已成功应用于早期DDoS范式的工具来解决。在这项工作中，我们基本上提供了三个贡献：$i)$我们为上述攻击类别引入了一个抽象模型，其中僵尸网络通过不断学习环境中可接受的模式来模拟正常流量; $ii)$我们设计了一个推理算法，该算法被证明可以提供一致的（即，随着时间的推移收敛到真正的解决方案）估计僵尸网络可能隐藏在网络中;和$iii)$，我们验证了所提出的推理策略的有效性$real$网络痕迹。
2016-09-09 cs.CR cs.IT cs.NI
Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks
Symbiosis Institute of Technology（共生技术学院）；Symbiosis Center for Applied Artificial Intelligence（共生应用人工智能中心）；Peoples’ Friendship University of Russia（俄罗斯人民友谊大学）
提出结合GAN合成数据与随机森林，并应用对抗性去偏的DDoS检测方法，在基准数据上达到99.98%准确率，对未见合成流量性能提升22.60%，具有良好泛化性。
2026-09-30 cs.AI cs.CR
Deep Learning for Cyber Threat Detection and Mitigation in Healthcare-IoT
University of Limerick（利默里克大学）
本研究针对医疗物联网（H-IoT）的网络威胁，构建三类真实数据集，提出轻量型TCN与Res-TCN模型，经量化后部署于树莓派4实现DDoS攻击的低延迟高能效检测与缓解，为H-IoT提供深度学习安全防御方案。
2026-08-04 cs.CR cs.LG eess.SP
Poseidon: Mitigating Interest Flooding DDoS Attacks in Named Data Networking
内容中心网络（CCN）是一种新兴的网络模式，被认为是当前基于IP的以主机为中心的互联网基础设施的可能替代品。在CCN中，命名内容成为一级实体。CCN专注于内容分发，这主导了当前的互联网流量，可以说IP没有很好地服务。命名数据网络（NDN）是CCN的一个例子。NDN也是NSF未来互联网架构（FIA）计划下的一个积极研究项目。FIA从一开始就强调安全和隐私。要成为一个可行的互联网架构，NDN必须能够抵御当前和新出现的威胁。本文重点介绍分布式拒绝服务（DDoS）攻击，特别是我们解决利益泛滥，攻击，利用关键的架构特征的NDN。我们表明，一个对手与有限的资源可以实现这样的攻击，对网络性能产生重大影响。然后，我们介绍Poseidon：一个用于检测和减轻兴趣泛滥攻击的框架。最后，我们报告了广泛的模拟评估提出的对策的结果。
2013-08-01 cs.CR cs.NI
Botnet-based Distributed Denial of Service (DDoS) Attacks on Web Servers: Classification and Art
僵尸网络是一种流行的机制，用于促进对计算机网络或应用程序的分布式拒绝服务（DDoS）攻击。目前，基于僵尸网络的应用层DDoS攻击是网络安全威胁的最新和最有问题的趋势。应用层上基于僵尸网络的DDoS攻击限制了资源，减少了收入，并导致客户不满等。DDoS攻击是最难解决的在线问题之一，特别是当目标是Web服务器时。在本文中，我们提出了一个全面的研究，以显示基于僵尸网络的DDoS攻击的应用层，特别是在Web服务器上的危险，以及最近明显增加的此类攻击事件的增加。还描述了基于僵尸网络的DDoS攻击事件和著名公司和政府网站的收入损失。这可以更好地了解问题、当前的解决方案空间和未来的研究范围，以有效地防御此类攻击。
2012-08-02 cs.CR
Enhancing IoT Security Against DDoS Attacks through Federated Learning
Carleton University（卡尔顿大学）；Institute of Science and High Technology and Environmental Science（科学与高技术及环境科学研究所）
针对物联网DDoS攻击，提出基于联邦学习的检测框架，利用深度自编码器降维与重训练、部分选择技术，在非IID数据集N-BaIoT上验证FedAvgM优于FedAvg，实现隐私保护下的高效攻击检测。
2024-03-16 cs.AI cs.CR cs.LG
The Age of DDoScovery: An Empirical Comparison of Industry and Academic DDoS Assessments
本文联合工业界与学术界，通过分析24份行业报告和2019—2023年十个数据集，并共享DDoS目标列表以揭示数据可见性缺口，系统比较直接路径攻击与反射放大攻击的趋势差异，为互联网基础设施安全验证和政策制定提供依据。
2024-10-21 cs.CR
Tanchun: Robust Flow-Based HTTP(S) DDoS Detection via Behavioral Attribute Guidance
Peking University（北京大学）；Zhongguancun Laboratory（中关村实验室）；Tsinghua University（清华大学）
针对HTTP(S) DDoS攻击流型检测的鲁棒性不足问题，提出感知漂移的Tanchun系统，通过IP对分组聚合流为行为序列并对齐行为属性引导表示学习，在多场景下F1分数达0.988，性能优于次优方法。
2026-10-13 cs.CR cs.NI
Lightweight CNN-Based DDoS Detection for Resource-Constrained Edge Networks
Carnegie Mellon University（卡内基梅隆大学）；Green River College（绿河学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出一种轻量级监督深度学习方法，利用CNN检测DDoS攻击，通过提取包流特征并进行分类，实现低延迟的边缘网络检测。
2026-05-16 cs.CR cs.LG cs.NI
Enhanced Multi-Class DDoS Attack Identification using a Meta-Learning Ensemble
Department of Computer Science, College of Science, San Jose State University（圣何塞州立大学理学院计算机科学系）
研究针对DDoS攻击类型识别问题，提出集成LSTM、KNN、RF模型并由逻辑回归元学习器合成输出的方法，所提模型在多类识别任务中准确率达96%，在SDN环境中也有良好表现，凸显元学习集成对DDoS威胁识别的价值。
2026-07-21 cs.CR
Kubernetes Autoscaling: YoYo Attack Vulnerability and Mitigation
近年来，我们目睹了一种新的DDoS攻击，即突发攻击（Chai，2013; Dahan，2018），攻击者对在线目标发起周期性的流量过载突发。最近的工作提出了一种新的突发攻击，YoYo攻击（Bremler-Barr等人，2017年），它针对云中VM的自动扩展机制进行操作。流量负载的周期性突发导致自动缩放机制在按比例放大和按比例缩小阶段之间振荡。自动扩展机制将平面DDoS攻击转化为经济拒绝可持续性攻击（EDOS），受害者因支付处理攻击者生成的流量所需的额外资源而遭受经济损失。然而，它表明，YoYo攻击也会导致显着的性能下降，因为它需要时间来扩展VM。在这项研究中，我们分析了Kubernetes自动伸缩对YoYo攻击的弹性。近年来，使用Kubernetes的容器化云应用程序越来越受欢迎，并取代了基于VM的架构。我们在Google Cloud Platform上展示了实验结果，表明即使容器的扩展待用时间远低于VM，但由于VM仍然参与其中，Kubernetes仍然容易受到YoYo攻击。最后，我们评估了可以准确检测Kubernetes集群上的YoYo攻击的ML模型。
2021-05-08 cs.CR cs.NI
Fingerprinting Internet DNS Amplification DDoS Activities
这项工作提出了一种新的方法，通过利用暗网空间来推断和表征互联网规模的DNS放大DDoS攻击。作为对使用暗网推断分布式拒绝服务（DDoS）活动的先驱工作的补充，这项工作表明我们可以在不依赖反向散射分析的情况下提取DDoS活动。这项工作的目的是提取与DNS放大DDoS活动相关的网络安全情报，例如检测周期，攻击持续时间，强度，数据包大小，速率和地理位置，以及各种网络层和基于流的见解。为了实现这一任务，所提出的方法利用某些DDoS参数来检测攻击。我们使用最近三个月从a /13地址空间收集的720 GB真实暗网数据对所提出的方法进行了实证评估。我们的分析表明，该方法成功地推断出了重大的DNS放大DDoS活动，包括最近针对最大的反垃圾邮件组织之一的突出攻击。分析揭示了这种DNS放大DDoS攻击的机理。此外，结果揭示了以前从未记录过的高速和隐形尝试。对历史上最大的DDoS攻击的案例研究可以更好地了解这种威胁的性质和规模，并可以产生有助于检测，预防，评估，缓解甚至归因于DNS放大DDoS活动的推断。
2013-11-06 cs.CR
Adaptive DDoS attack detection method based on multiple-kernel learning
分布式拒绝服务（DDoS）攻击给社会造成了巨大的经济损失。它们已成为互联网安全的主要威胁之一。目前大多数基于单一特征和固定模型参数的检测方法无法有效检测云和大数据环境下的早期DDoS攻击。提出了一种基于多核学习（MKL）的自适应DDoS攻击检测方法（ADADM）。基于DDoS攻击流的突发性、地址分布性和通信交互性，定义了5个特征来描述网络流量特征。基于集成学习框架，通过梯度上升增加类间均值，梯度下降减少类内方差，自适应调整各维权重，并且通过训练具有两个特征的简单多核学习（SMKL）模型来建立分类器以识别早期DDoS攻击，所述两个特征包括类间均方差增长（M-SMKL）和类内均方差增长（M-SMKL）。类方差下降（S-SMKL）。采用滑动窗口机制协调S-SMKL和M-SMKL检测早期DDoS攻击。实验结果表明，该方法能够早期、准确地检测到DDoS攻击。
2019-05-20 cs.CR
A Novel DDoS Attack Detection Method Using Optimized Generalized Multiple Kernel Learning
分布式拒绝服务（DDoS）攻击已经成为最具破坏性的网络攻击之一，对互联网安全构成致命威胁。现有的检测方法不能有效地检测早期攻击。本文提出了一种基于广义多核学习（GMKL）结合构造参数R的DDoS攻击检测方法。定义了超融合特征值（SFV）和特征综合度（CDF）来描述攻击流和正常流的特征。提出了一种基于SFV和CDF计算R的方法，以选择核函数和正则化范式的组合。利用训练好的带R参数的GMKL模型生成DDoS攻击检测分类器。实验结果表明，基于R参数的核函数和正则化参数选择方法降低了参数选择的随机性和模型检测的误差，该方法能够有效地检测复杂环境下的DDoS攻击，具有较高的检测率和较低的出错率。
2019-06-19 cs.CR
Mitigating IoT Botnet DDos Attacks through MUD and eBPF based Traffic Filtering
针对IoT设备易被纳入僵尸网络发动DDoS攻击的问题，提出基于扩展MUD规则的集成系统，搭配eBPF与iptables两种执行后端，验证了其防护有效性与低影响性。
2023-05-03 cs.CR cs.NI
