כתבה
arXiv cs.AI ·
דיבייסינג אדוורסריאלי של מודלי ML לשם הגנה נרחבת על רשתות מול תקיפות DDoS
Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks
במאמר זה, צוות מדענים הציגו שיטה חדשה לזיהוי תקיפות DDoS בעזרת רשתות גנרטיביות אדוורסריאליות ומחלקות יער רנדומי. השיטה החדשה הציגה 99.98% דיוק במבחן נתונים ושיפרה את הביצועים ב-22.60% כאשר נבדקה על תקיפות סינתטיות שלא נראו לפני כן. המאמר כולל גם תיאור של רשת Gemnini ומודל GPT.
תקציר מקורי באנגליתarXiv:2609.36167v1 Announce Type: cross Abstract: Distributed Denial of Service attacks are a growing threat to network infrastructure, and new techniques, including the use of generative AI, make them harder to detect. Traditional detection systems, such as rule based firewalls, often fail to identify these evolving attack patterns. In this study, we propose a new method for detecting DDoS attacks by combining synthetic data generation using Generative Adversarial Networks with a Random Forest classifier. The GAN generated data showed 80.3 percent cosine similarity to real traffic, which helped the model learn underlying traffic patterns more effectively. To address imbalances in the data, especially in packet related features, we applied adversarial debiasing. This reduced the model's se
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית