DDoS入侵检测中网络流量表示对学习行为影响的研究与表示依赖判别结构原则的提出
《Future Internet》:Representation-Dependent Learning Behaviour in Machine Learning-Based DDoS Intrusion Detection: Experimental Evidence and the Representation-Dependent Discriminative Structure Principle
【字体:
大
中
小
】
时间:2026年10月24日
来源:Future Internet 4.6
摘要
本研究探讨了 DDoS 入侵检测中的学习行为是否仅由学习架构决定,还是也受到所调查网络流量表示方式的影响。开发了一种表示感知的实验方法,在每个基准数据集中将流量表示作为主要操纵因素,同时控制基准协调、预处理、学习架构和评估协议。从每个基准数据集中选定的相同流量实例构建三种互补表示——流、报头和混合——并使用五种代表性的机器学习和深度学习架构进行评估。使用重复实验和统计验证来评估预测性能、实验可重复性、跨表示稳定性、置信度校准和表示敏感性。结果显示,在受控实验条件下,不同表示在预测性能、跨表示稳定性、校准和表示敏感性方面存在系统性差异。这些发现表明,流量表示与可供学习算法计算的判别结构的差异有关,而不仅仅是作为预处理机制发挥作用。基于这些观察,提出了表示依赖判别结构原则(RDDSP),作为一个特定情境下的概念假设,描述表示所暴露的判别结构如何与学习架构的归纳特性相互作用,以塑造所调查的 DDoS 入侵检测场景中的学习行为。实证评估仅限于包括 SYN 洪水攻击和 UDP 洪水攻击以及良性流量在内的常见攻击空间,并使用受控的类别平衡评估分布。这些发现和 RDDSP 的更广泛适用性仍有待在更多攻击类别、独立收集的数据集以及具有操作代表性的类别流行率分布中进行验证。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号