基于优化双向LSTM-注意力机制的DDoS攻击实时检测框架

《Scientific Reports》：OBiLSTM-AM: an optimized bidirectional LSTM model with attention mechanism for robust DDoS attack detection in network traffic

　　

摘要

DDoS攻击对全球数字基础设施构成严重威胁，造成严重的服务中断和经济损失。当代低流量、多向量攻击往往能够规避传统的基于签名的保护。当前机器学习和深度学习检测器的主要缺点是，它们不能双向分析网络流量，也不能优先考虑最具指示性的攻击特征，导致对隐蔽威胁的检测效果不佳。在本研究中，作者提出了一种新的框架，即优化双向LSTM-注意力机制（OBiLSTM-AM），以填补这些空白。该框架包含一个双向长短期记忆（BiLSTM）网络，用于捕捉过去和未来流量状况的时间上下文，以及一个注意力机制，用于动态选择最显著的时间间隔进行计算分析。贝叶斯优化是一种使用机器学习来优化模型超参数的算法（通常用于达到期望的性能水平）。在基准CIC-DDoS2019数据集的分层样本上，使用48,712个窗口序列（每个序列100个时间步），划分为34,098个训练序列、7,307个验证序列和7,307个测试序列，该模型达到了99.2%的准确率、98.5%的精确率和98.3%的F1分数，远高于标准LSTM、GRU和混合模型。因此，OBiLSTM-AM框架为实时DDoS检测提供了一种高精度、高效且鲁棒的解决方案，这是对网络安全防御工具的重大改进。