基于鲁棒的联邦学习与深度学习的网络攻击检测算法

《Scientific Reports》：A robust federated learning and deep learning based cyberattack detection algorithm

　　

摘要

分布式拒绝服务（DDoS）攻击是对现代网络基础设施日益增长的威胁，促使人们开发出多种检测技术以减轻其不利影响。尽管机器学习（ML）和深度学习（DL）方法在识别此类攻击方面显示出很强的有效性，但它们通常存在计算复杂度高以及效率与准确率之间权衡不够理想的问题。传统的基于集中式机器学习的入侵检测系统存在流量数据网络聚合、数据隐私和可扩展性方面的问题。在此背景下，本研究提出了一种新颖且架构清晰的基于深度学习的框架，该框架在提高检测性能的同时，显著降低了本地设备在DDoS攻击检测中的计算开销。所提出算法的性能通过CIC-DDoS2019数据集进行测试。基于公共数据集上的结果，我们提出的算法展示了改进的检测架构。