Framework GraphGAN proposto per il rilevamento di DDoS nelle reti di prossima generazione
Un recente preprint su arXiv (arXiv:2608.17352) introduce GraphGAN, una rete generativa avversaria che utilizza strutture grafiche per identificare attacchi Distributed Denial-of-Service (DDoS) in reti avanzate. Questa ricerca evidenzia la necessità di metodi di rilevamento cognitivi che vadano oltre la semplice analisi del traffico, affrontando i problemi dello squilibrio di classi e delle condizioni fluttuanti. Trasformando i flussi di rete sequenziali in grafi k-nearest neighbor attraverso finestre scorrevoli, GraphGAN preserva sia le similarità delle caratteristiche che le correlazioni temporali. Il sistema presenta un generatore che crea campioni realistici della classe di minoranza e impiega un discriminatore basato su Graph Convolutional Network (GCN) per distinguere tra dati reali e sintetici. Inoltre, un classificatore GCN viene addestrato sul dataset bilanciato per un rilevamento efficace, con l'obiettivo di rafforzare la sicurezza di rete potenziata dall'IA contro le minacce informatiche emergenti.
Fatti principali
- L'articolo intitolato 'Cognitive Graph Intelligence for Adaptive and Robust DDoS Attack Detection in Next Generation Networks' è disponibile su arXiv.
- Lo studio propone una rete generativa avversaria basata su grafi (GraphGAN) come motore di rilevamento cognitivo per attacchi DDoS.
- GraphGAN affronta il grave squilibrio di classi e le condizioni non stazionarie nel traffico di rete.
- I flussi sequenziali vengono convertiti in grafi k-nearest neighbor utilizzando finestre scorrevoli per preservare la similarità delle caratteristiche e le dipendenze temporali.
- Il generatore apprende la distribuzione degli attacchi DDoS per sintetizzare campioni realistici di minoranza.
- Un discriminatore basato su Graph Convolutional Network (GCN) distingue i dati grafici reali da quelli sintetici.
- Un classificatore GCN separato viene addestrato sul dataset bilanciato per il rilevamento.
- Il numero del preprint arXiv è 2608.17352.
Entità
Istituzioni
- arXiv