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
CryptoDNA: A Machine Learning Paradigm for DDoS Detection in Healthcare IoT, Inspired by crypto jacking prevention Models
提出受加密劫持检测启发的轻量级机器学习框架CryptoDNA，通过行为分析与动态异常检测在医疗物联网中以超96%准确率检测DDoS攻击，兼顾低开销与强可扩展性。
2025-01-30 cs.CR
AntibIoTic: Protecting IoT Devices Against DDoS Attacks
2016年是向世界展示分布式拒绝服务攻击有多危险的一年。DDoS攻击破坏性的衡量标准是所涉及的僵尸程序的数量：僵尸网络越大，攻击越强大。这一特性，以及连接和不安全的物联网设备的可用性不断增加，使DDoS和物联网成为恶意软件行业的完美组合。在本文中，我们介绍了AntibIoTic背后的主要思想，这是一种预防通过物联网设备进行DDoS攻击的姑息性解决方案。
2017-06-28 cs.CR cs.CY
A Study on Recent Approaches in Handling DDoS Attacks
在本文中，我们提出了一个研究的最新方法在处理分布式拒绝服务（DDoS）攻击。DDoS攻击是一种相当新的攻击类型，旨在削弱互联网服务和资源的可用性。DDos攻击可以来自网络中的任何地方，通常通过发送大量数据包来攻击受害者服务器。各种研究人员提出了一些补救措施。本文试图讨论最近的产品来处理DDoS攻击。
2010-12-14 cs.CR
Cloud-based DDoS Attacks and Defenses
安全性和可靠性在云计算环境中非常重要。如今，分布式拒绝服务（DDoS）攻击已成为互联网用户和云计算服务面临的最大威胁之一。DDoS攻击的目标是这些服务的资源，降低了它们提供网络基础设施最佳使用的能力。由于云计算的性质，与传统网络中使用的方法相比，用于预防或阻止DDoS攻击的方法有很大不同。本文研究了DDoS攻击对云资源的影响，并针对云环境中不同类型的DDoS攻击提出了实用的防御机制。
2015-11-27 cs.CR
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
DDoS Attack and Defense: Review of Some Traditional and Current Techniques
分布式拒绝服务（DDoS）攻击耗尽受害者的带宽或服务。传统的互联网架构容易受到DDoS攻击，并观察到一个持续的攻击和防御周期。本文综述了DDoS攻击的不同类型、技术及其对策。本文的意义在于涵盖了对抗DDoS攻击的许多方面，包括对该主题的新研究。我们调查不同的论文描述的防御方法对DDoS攻击的基础上熵的变化，流量异常参数，神经网络，设备级防御，僵尸网络流量识别和应用层DDoS防御。我们还讨论了一些传统的防御方法，如回溯和数据包过滤技术，以便读者可以识别传统和当前防御DDoS攻击技术之间的主要差异。在讨论对策之前，我们提到了传统和先进方案下DDoS的不同攻击类型，同时还提供了2012年第一季度DDoS趋势的一些信息。我们发现，应用层DDoS攻击具有对受害者产生更大影响的能力，因为它们是由合法的流量驱动的，因此很难识别和区分合法请求。因此，对这种攻击的改进防御的需要在研究中更加苛刻。本文中进行的研究可以帮助读者和研究人员认识到当前针对DDoS攻击的更好的防御技术，并根据本文中确定的未来挑战对该主题进行更多的研究。
2014-03-21 cs.CR
Prediction Approach against DDoS Attack based on Machine Learning Multiclassfier
DDoS攻击，也称为分布式拒绝服务（DDoS）攻击，已成为互联网上最严重和增长最快的威胁之一。拒绝服务（DDoS）攻击是针对特定系统或网络的网络攻击的一个示例，试图使其在一段时间内无法访问或不可用。因此，以更好的算法和更高的准确性来提高对各种类型的DDoS网络威胁的检测，同时控制计算成本，已成为检测DDoS网络威胁的最重要组成部分。为了正确地防御目标网络或系统，它是至关重要的，首先确定的DDoS攻击，已经对它发起了。本文提出了一些集成分类技术，它结合了各种算法的性能。然后，将它们与现有的机器学习算法进行比较，比较它们在使用准确性、F1分数和ROC曲线检测不同类型DDoS攻击方面的有效性。实验结果表明，该方法具有较高的精度和良好的性能。
2022-04-27 cs.CR
DDoS Attack Detection Method Based on Network Abnormal Behavior in Big Data Environment
随着互联网的快速发展，分布式拒绝服务（DDoS）攻击成为一个日益严重的问题。现有的DDoS攻击检测方法存在时延大、检测率低的问题。提出了一种大数据环境下基于网络异常行为的DDoS攻击检测方法。该方法根据泛洪攻击的特点，对网络流进行过滤，只留下“多对一”的网络流，以减少正常网络流的干扰，提高检测精度。我们定义了网络异常特征值（NAFV）来反映“多对一”网络流新旧IP地址的状态变化。最后，建立了基于NAFV实时序列的DDoS攻击检测方法，用于识别DDoS攻击引起的网络流量异常状态。实验表明，与同类方法相比，该方法具有较高的检测率、较低的虚警率和漏报率。
2019-03-28 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
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
Dataset: Large-scale Urban IoT Activity Data for DDoS Attack Emulation
University of Southern California（南加利福尼亚大学）
随着物联网部署在智能城市等应用中的规模不断扩大，它们面临着越来越多的网络安全威胁。特别是，正如著名的Mirai事件和其他持续威胁所证明的那样，大规模物联网设备网络特别容易被劫持并用作僵尸网络来发动分布式拒绝服务（DDoS）攻击。需要真正的大规模数据集来训练和评估深度神经网络等机器学习算法的使用，以检测和防御此类DDoS攻击。我们提出了一个来自4060个节点的城市物联网部署的数据集，描述了它们在良性条件下的时空活动。我们还提供了一个合成DDoS攻击生成器，它根据可调参数（如受攻击的节点数量和攻击持续时间）将攻击活动注入数据集。我们讨论了数据集的一些特征。我们还展示了数据集的实用性以及我们的合成DDoS攻击生成器，通过使用它们来训练和评估一个简单的多标签前馈神经网络，旨在识别哪些节点受到攻击以及何时受到攻击。
2021-10-05 cs.CR cs.LG
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
NFDLM: A Lightweight Network Flow based Deep Learning Model for DDoS Attack Detection in IoT Domains
Indian Institute of Information Technology（印度信息技术学院）；THM University of Applied Sciences（THM应用科学大学）
近年来，物联网（IoT）设备上的分布式拒绝服务（DDoS）攻击已成为全球互联网用户的主要关注点之一。对物联网生态系统的攻击来源之一是僵尸网络。入侵者通过在短时间内发送大量消息，迫使物联网设备对其合法用户不可用。该研究提出了一种轻量级和优化的基于人工神经网络（ANN）的分布式拒绝服务（DDoS）攻击检测框架NFDLM，该框架以互相关性作为特征选择方法，与长短期记忆（LSTM）和简单ANN相比，其检测性能优于后者。在这项工作中，我们设计并比较了四种不同的模型，其中两种基于ANN，另外两种基于LSTM来检测DDoS攻击类型。
2022-07-15 cs.CR cs.LG
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
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
Fighting Fire with Light: A Case for Defending DDoS Attacks Using the Optical Layer
DDoS攻击正在以前所未有的速度增长。受光网络最新进展的启发，本文提出了一种光层感知DDoS防御（O-LAD）。我们的方法利用光层，通过使用ROADM动态重新配置（备份）波长来快速隔离攻击流量-弥合（a）DDoS攻击格局的演变与（b）光层创新（例如，可重新配置的光学器件）。我们表明，物理分离的流量配置文件允许更细粒度的处理可疑流，并提供更好的性能，良性的流量在面对攻击。我们提出了初步的结果建模的吞吐量和延迟的合法流量，同时扩展攻击的强度。我们还确定了安全，光学和系统社区的一些开放问题：建模不同的DDoS攻击（例如，固定与可变速率，可检测与不可检测），构建具有光学进步的成熟防御系统（例如，OpenConfig），以及针对更广泛攻击类别的光学层感知防御（例如，网络侦察）。
2020-02-23 cs.CR
Umbrella: Enabling ISPs to Offer Readily Deployable and Privacy-Preserving DDoS Prevention Services
防御分布式拒绝服务（DDoS）攻击是互联网中的一个基本问题。然而，最近对来自10多个行业领域的100多名安全专家进行的行业采访表明，DDoS问题尚未得到充分解决。原因有两方面。一方面，许多可证明安全的学术提案很少在现实世界中部署。另一方面，现有DDoS防护服务提供商的运营模式（例如，Cloudflare、Akamai）对大型组织（例如，政府）。在本文中，我们提出了伞，一个新的DDoS防御机制，使互联网服务提供商（ISP）提供易于部署和隐私保护的DDoS防御服务，他们的客户。在其核心，雨伞开发了一个多层防御架构，以抵御广泛的DDoS攻击。具体而言，泛洪节流层阻止基于放大的DDoS攻击;拥塞解决层旨在防止不易过滤的复杂攻击，强制执行拥塞责任，以确保合法流保证接收其公平份额，而不管攻击者的策略如何;最后，用户特定层允许DDoS受害者实施最能满足其业务需求的自我期望的流量控制策略。基于Linux的实现，我们证明了伞是能够处理涉及数百万攻击流的大规模攻击，同时施加微不足道的数据包处理开销。此外，我们的物理实验台实验和大规模模拟证明，伞是有效的，以减轻各种DDoS攻击。
2019-04-06 cs.CR
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
DDoSNet: A Deep-Learning Model for Detecting Network Attacks
软件定义网络（SDN）是近年来为解决传统网络中的弱点而发展的新兴范例。通过将控制平面与数据平面分离来实现的SDN的显著特征促进了网络管理并允许网络有效地可编程。然而，新架构可能容易受到几种攻击，导致资源耗尽并阻止SDN控制器支持合法用户。其中一种攻击是分布式拒绝服务（DDoS）攻击。DDoS攻击对网络资源的崩溃有很大的影响，使目标服务器无法支持合法用户。目前的方法部署机器学习（ML）使用标准数据集的SDN网络中的DDoS攻击的入侵检测。然而，这些方法有几个缺点，并且所使用的数据集不包含最近的攻击模式，因此缺乏攻击多样性。在本文中，我们提出了DDoSNet，在SDN环境中的DDoS攻击的入侵检测系统。我们的方法是基于深度学习（DL）技术，结合递归神经网络（RNN）和自动编码器。我们使用新发布的数据集CICDDoS2019来评估我们的模型，该数据集包含各种各样的DDoS攻击，并解决了现有数据集的差距。与其他基准测试方法相比，我们在攻击检测方面获得了显着的改进。因此，我们的模型为保护这些网络提供了很大的信心。
2020-06-24 cs.CR
Machine Learning DDoS Detection for Consumer Internet of Things Devices
Princeton University（普林斯顿大学）
越来越多的物联网（IoT）设备连接到互联网，但其中许多设备从根本上讲是不安全的，使互联网面临各种攻击。Mirai等僵尸网络使用不安全的消费者物联网设备对关键的互联网基础设施进行分布式拒绝服务（DDoS）攻击。这推动了新技术的开发，以自动检测消费者物联网攻击流量。在本文中，我们证明了使用物联网特定的网络行为（例如有限数量的端点和数据包之间的规则时间间隔）来通知特征选择可以通过各种机器学习算法（包括神经网络）在物联网网络流量中实现高精度DDoS检测。这些结果表明，家庭网关路由器或其他网络中间盒可以使用低成本的机器学习算法和基于流量和协议无关的流量数据自动检测DDoS攻击的本地物联网设备来源。
2018-04-11 cs.CR cs.LG
Numerical Evaluation of Cloud-Side Shuffling Defenses against DDoS Attacks on Proxied Multiserver Systems
我们考虑一个基于云的多服务器系统，这可能是基于云的，由一组副本应用程序服务器背后的一组代理（间接）服务器，直接与客户端在互联网上进行交互。我们提供云端主动式和被动式防御，以抵御可能针对此系统的DDoS攻击。DDoS攻击是地方性的，去年秋天发生了一些值得注意的攻击。容量攻击可能以代理为目标，而“低容量”攻击可能以副本为目标。在审查现有的和建议的防御，如改变代理IP地址（一个“移动目标”的技术，以打击僵尸网络的侦察阶段）和过载服务器的裂变，我们专注于评估防御的基础上洗牌客户端到服务器的分配，可以是主动和被动的DDoS攻击。我们的评估是基于一个二项分布模型，以及同意模拟和初步实验的原型，也描述。
2017-08-02 cs.CR
Characterizing Certain DNS DDoS Attacks
本文详细介绍了应用于特定类型的分布式拒绝服务（DDoS）攻击的网络威胁情报领域的数据科学研究。我们研究了一个DDoS技术流行的域名系统（DNS）的恶意软件已经恢复。使用来自一组全局分布的被动收集器（pDNS）的数据，我们创建了一个统计分类器来识别这些攻击，然后使用无监督学习来调查攻击事件和生成它们的恶意软件。作为对这种技术的第一次已知的主要研究，我们发现当前的攻击与已发表的描述几乎没有相似之处，并确定了攻击的几个以前未发表的特征。通过结合文本和时间序列特征，我们能够描述占主导地位的恶意软件，并证明全球规模的攻击系统的数量相对较小。
2019-07-20 cs.CR
Towards Efficient Machine Learning Method for IoT DDoS Attack Detection
University of New Brunswick（新不伦瑞克大学）
提出混合特征选择算法结合XGBoost模型，在CIC IDS 2017和CIC IoT 2023数据集上分别实现99.993%准确率和97.64%召回率，用于高效检测物联网DDoS攻击。
2024-08-16 cs.CR cs.LG
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
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
Modern DDoS Threats and Countermeasures: Insights into Emerging Attacks and Detection Strategies
本文综述近十年DDoS攻击演变与检测策略，强调攻击目标多样化及高级对抗策略，探讨可编程交换机等硬件增强检测，并指出开放问题与未来方向。
2025-02-27 cs.CR
Estimating strength of DDoS attack using various regression models
基于异常的DDoS检测系统构建网络中正常流量的配置文件，并在流量偏离正常配置文件超过阈值时识别异常。通常不使用这种偏差范围。本文报告的评估结果，建议的方法，利用这种程度的偏离检测阈值估计强度的DDoS攻击使用各种回归模型。僵尸的数量和观察到的样本熵的偏差之间的关系建立。各种统计性能指标，如决定系数（R2）、相关系数（CC）、平方误差和（SSE）、均方误差（MSE）、均方根误差（RMSE）、归一化均方误差（NMSE）、Nash-Sutcliffe效率指数（η）和平均绝对误差（MAE），用于衡量各种回归模型的性能。使用GT-ITM拓扑生成器的transit-stub模型生成用于仿真的互联网型拓扑。采用Linux平台上的NS-2网络模拟器作为仿真试验床，对不同攻击强度的DDoS攻击进行了仿真试验。比较研究使用不同的回归模型估计DDoS攻击的强度。仿真结果是有希望的，因为我们能够估计强度的DDoS攻击有效地与非常小的出错率使用各种回归模型。
2012-03-12 cs.CR
A Cost-effective Shuffling Method against DDoS Attacks using Moving Target Defense
移动目标防御（MTD）是一种新兴的非对称攻击和防御技术，基于洗牌的MTD被认为是抵御DDoS攻击的最有效方法之一。然而，以前的工作并不承认频繁的洗牌会显着加剧的开销。MTD需要一种定量措施来比较现有适应措施的成本和有效性，并探索它们之间的最佳权衡。因此，在本文中，我们提出了一种新的具有成本效益的洗牌方法对DDoS攻击使用MTD。通过利用多目标马尔可夫决策过程建模攻击者和防御者之间的相互作用，并设计一个具有成本效益的洗牌算法，我们研究了在给定的洗牌场景中洗牌的有效性和成本之间的最佳权衡。最后，仿真和实验上的实验软件定义网络（SDN）表明，我们的方法施加了一个可接受的洗牌过载，是有效的，在减轻DDoS攻击。
2019-09-18 cs.CR
Predict And Prevent DDOS Attacks Using Machine Learning and Statistical Algorithms
本研究利用CICDDoS2019数据集（超5000万条记录），采用多种机器学习与统计算法检测DDoS攻击，其中XGBoost结合SMOTE达到99.9999%的检测准确率，并提出了预防攻击的方法。
2023-08-30 cs.CR
Explainability-Aware Evaluation of Transfer Learning Models for IoT DDoS Detection Under Resource Constraints
School of Information Technology, University of Cincinnati, Ohio, United States（信息科技学院，辛辛那提大学，俄亥俄州，美国）
本文研究了在资源受限条件下，通过CICDDoS2019数据集评估七种预训练卷积神经网络架构在物联网DDoS检测中的性能、可靠性及可解释性，发现DenseNet169在可靠性与可解释性上表现最佳，MobileNetV3则在延迟与准确率之间提供良好平衡。
2026-11-03 cs.AI cs.CR
An Efficient Analytical Solution to Thwart DDoS Attacks in Public Domain
本文提出了一种DDoS攻击检测的分析模型，在该模型中，公共领域内的突发流量变化的传播进行监测，以检测大范围的DDoS攻击。尽管可以使用各种统计测量来构建网络中通常看到的流量的轮廓，以在流量超出轮廓时识别异常，但我们选择了体积和流量测量。考虑到变化的容差因子，使得所提出的检测系统能够实时的扩展到变化的网络条件和攻击负载。采用Linux平台上的NS-2网络仿真器作为仿真实验平台。仿真结果表明，我们提出的解决方案给出了一个显着的改善，在检测率和误报率。然而，DDoS攻击所产生的巨大容量在内存和计算开销方面构成了最大的挑战，就监控和分析连接受害者的单点流量而言。为了解决这个问题，提出了一种分布式协作技术，将内存和计算开销分配给所有边缘路由器，以便在早期阶段检测各种DDoS攻击。
2012-04-25 cs.CR
Detecting DDoS Attack on SDN Due to Vulnerabilities in OpenFlow
软件定义网络（SDN）是一种网络范式转变，它促进了全面的网络可编程性，以应对新兴的新技术，如云计算和大数据。SDN有助于简化和集中的网络管理，使其能够在动态场景中运行。此外，SDN使用OpenFlow协议用于控制器与其交换机之间的通信。OpenFlow创建了网络攻击的漏洞，特别是分布式拒绝服务（DDoS）。DDoS攻击是从连接到SDN交换机的受损主机发起的。在本文中，我们介绍了一个时间和空间效率的解决方案，这些受损主机的识别。我们的解决方案消耗更少的计算资源和空间，并且不需要任何特殊设备。
2020-02-02 cs.CR
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
A Transformer-Based Approach for DDoS Attack Detection in IoT Networks
针对IoT设备资源受限且传统方法难以应对动态DDoS攻击的问题，提出基于Transformer模型与自注意力机制的检测方法，实验证明其在准确率等指标上优于传统机器学习技术，适用于真实环境。
2025-08-14 cs.CR cs.IT math.IT
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
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
Extreme Learning Machine Based System for DDoS Attacks Detections on IoMT Devices
本文针对IoMT设备面临的DDoS攻击威胁，提出一种基于极限学习机的检测方法，在低实现预算下实现高准确率，并支持在雾层部署以降低系统成本。
2025-07-07 cs.CR
eBPF-Based Real-Time DDoS Mitigation for IoT Edge Devices
针对物联网边缘设备易遭DDoS攻击且传统防御不适配的问题，提出基于eBPF与XDP的内核级轻量缓解框架，经仿真和树莓派实测，100Mbps攻击下缓解率超97%，合法流量与系统稳定不受影响。
2025-07-13 cs.CR cs.NI
An ISP Level Solution to Combat DDoS Attacks using Combined Statistical Based Approach
DDoS攻击造成的服务中断是当今互联网的巨大威胁。这些攻击可以完全破坏互联网服务的可用性，通过以协调方式从分布式位置发送的大量数据包来消耗计算或通信资源，或者通过以低速率发送攻击流量来适度降低网络性能。在本文中，我们描述了一种新的框架，处理各种DDoS攻击的检测，通过监测传播的突然流量变化的ISP域内，然后进行攻击流量的特征。两个统计指标，即卷和流量被用作检测DDoS攻击的参数。基于异常的检测和表征系统的有效性高度依赖于阈值设置的准确性。不准确的阈值会导致大量的假阳性和假阴性。因此，在我们的计划中，六西格玛和变化的公差因子的方法来确定阈值准确和动态的各种统计指标。以Linux平台上的NS-2网络仿真器为仿真实验平台，验证了该方法的有效性。不同的攻击场景通过改变僵尸机器的总数和不同的攻击强度来实现。与基于体积的方法的比较清楚地表明了我们提出的系统的至高无上的。
2012-03-12 cs.CR
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
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
Poisoning Online Learning Filters: DDoS Attacks and Countermeasures
机器学习的最新进展导致人们对采用基于在线学习的方法来解决长期存在的攻击缓解问题产生了浓厚的兴趣。特别是，即使在二十多年之后，DDoS攻击仍然是网络服务可用性的重大威胁。这些攻击已经得到了很好的研究，假设恶意流量来自一个单一的攻击配置文件。基于这个前提，恶意流量特征被假定为与合法流量有很大不同。因此，在线过滤方法被设计成自适应地学习网络流量分布，并根据它们的攻击可能性对请求进行排名。在攻击期间，过滤器会突然丢弃被评为恶意的请求。本文首次系统研究了数据投毒攻击对在线DDoS过滤的影响，介绍了一种数据投毒攻击方法，并针对这种攻击提出了切实可行的防护对策。我们调查了一个不利的情况下，攻击者是“狡猾的”，在攻击过程中切换配置文件，并产生不稳定的攻击流量是不断变化的。这种难以捉摸的攻击者通过操纵和改变流量分布来毒害训练数据并破坏过滤器，从而生成恶意请求。为此，我们提出了一个生成模型MimicShift，能够控制流量生成，同时保留原始流量的内在属性。综合实验表明，在线学习过滤器非常容易受到中毒攻击，有时表现得比随机过滤策略在这种攻击场景下。同时，我们提出的保护对策减少了攻击的影响。
2022-01-20 cs.CR
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
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
GADoT: GAN-based Adversarial Training for Robust DDoS Attack Detection
机器学习（ML）已被证明在许多应用领域是有效的。然而，ML方法可能容易受到对抗攻击的攻击，其中攻击者试图通过制作输入数据来欺骗分类/预测机制。在基于ML的网络入侵检测系统（NIDS）的情况下，攻击者可能会使用他们对入侵检测逻辑的了解来生成未被检测到的恶意流量。解决这个问题的一种方法是采用对抗性训练，其中训练集用对抗性流量样本进行扩充。本文提出了一种称为GADoT的对抗性训练方法，该方法利用生成对抗网络（GAN）生成对抗性DDoS样本进行训练。我们表明，一个国家的最先进的NIDS与流行的数据集上的高准确性可以经历超过60%的未检测到的恶意流量下对抗攻击。然后，我们展示了在使用GADoT进行对抗训练后，这个分数如何下降到1.8%或更低。
2022-01-31 cs.CR
DAEDALUS: Defense Against Firmware ROP Exploits Using Stochastic Software Diversity
本研究提出基于软件多样性的DAEDALUS框架，扩展STOKE随机优化器以适配物联网固件，通过生成语法不同但语义等价的固件改写版本，成功中和ROP有效载荷，同时减轻单设备攻击影响并挫败跨多设备的大规模ROP攻击。
2024-01-29 cs.CR
Distributed Denial of Service (DDoS) Attacks Detection Mechanism
Pushback是一种防御分布式拒绝服务（DDoS）攻击的机制。DDoS攻击被视为一个拥塞控制问题，但由于大多数此类拥塞是由恶意主机不遵守传统的端到端拥塞控制造成的，因此该问题必须由路由器来处理。每个路由器都添加了检测和优先丢弃可能属于攻击的数据包的功能。上游路由器也被通知丢弃这样的数据包，以便路由器的资源用于路由合法的流量，因此称为推回。近年来，客户端迷惑被认为是一种很有前途的拒绝服务攻击对策。为了识别攻击者，受害服务器向发送流量的客户端发出一个难题。当客户端能够解决难题时，它被认为是可信的，并且允许来自它的流量进入服务器。如果受害者怀疑大多数客户都解决了难题，这就增加了难题的复杂性。这种解谜技术允许攻击流量在到达目的地之前穿过中间路由器。为了同时利用Pushback和Puzzle Solving技术的优点，提出了一种基于路由器的Pushback技术，它综合了两种技术来解决DDoS攻击问题。在该提案中，谜题解决机制被推回核心路由器，而不是受害者。基于路由器的客户端解谜机制通过提供待被怀疑的主机解决的解谜来检查主机系统是否合法。
2012-01-10 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
Early Signals from Volumetric DDoS Attacks: An Empirical Study
分布式拒绝服务（DDoS）是一种常见的网络犯罪。它会严重损害公司的声誉，增加成本。攻击者不断改进他们的策略。在过去的几年里，他们释放的通信请求的数量、规模和频率都翻了一番。这会发生在不同的主机上，导致资源耗尽。以前的研究集中在检测或减轻正在进行的DDoS攻击。然而，在DDoS攻击已经存在时解决这些问题可能为时已晚。在本文中，我们通过对攻击趋势的早期预测来考虑网络弹性。我们的经验表明，使用非参数领先指标的优势，体积DDoS攻击的早期预测。我们报告了一个真实的数据集从CAIDA有希望的结果。我们的研究结果提出了新的问题和机会，进一步研究在早期预测DDoS攻击的趋势。
2017-05-23 cs.CR cs.NI
Too Expensive to Attack: A Joint Defense Framework to Mitigate Distributed Attacks for the Internet of Things Grid
分布式拒绝服务（DDoS）攻击对企业和个人都是有害的，因为我们严重依赖互联网。由于利润可观，黑客青睐DDoS作为攻击服务器、计算机、物联网设备甚至整个互联网的网络安全武器。目前许多检测和缓解解决方案都集中在对抗DDoS的特定技术上，而攻击费用和跨防御者协作没有引起足够的重视。在这种情况下，我们重新审视DDoS攻击和防御的攻击成本和双方的人口，提出了一个联合防御框架，在互联网服务提供商（ISP），企业，个人和第三方组织的网格（物联网网格）中产生更高的攻击费用。同时，防御者的成本在战斗中不会增加太多。攻击费用的飙升阻碍了利润驱动的攻击者有效地发动进一步的攻击。定量评估和实验评估加强了我们的框架的有效性。
2021-04-01 cs.CR
DDoSDet: An approach to Detect DDoS attacks using Neural Networks
VIT-AP University（VIT-AP 大学）
网络攻击是当今世界最致命的攻击之一。DDoS（分布式拒绝服务）。它是一种网络攻击，攻击者攻击并使网络或机器暂时或无限期地对其预期用户不可用，中断连接到网络的主机的服务。简单地说，它是一种攻击，通过向目标机器发送不必要的请求，试图过载并使系统崩溃，使用户无法使用该网络或机器。在这篇研究论文中，我们提出了使用神经网络检测DDoS攻击，这将标志恶意和合法的数据流，防止网络性能下降。我们比较和评估了我们建议的系统对目前的模型在该领域。我们很高兴地注意到，我们的工作是99.7%的准确率。
2022-01-24 cs.AI cs.CR
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
DDoS Attacks: Tools, Mitigation Approaches, and Probable Impact on Private Cloud Environment
据预测，互联网的未来将在云上，这将导致更复杂、更密集的计算，但也可能是一个更不安全的数字世界。大量密集组织的资源的存在是吸引DDoS攻击的关键因素。这种攻击在资源有限的私有云中可能更危险。本文讨论了几种用于对抗私有云中DDoS攻击的突出方法。我们还讨论了在私有云中减轻DDoS攻击的问题和挑战。
2017-10-24 cs.CR cs.NI
