Ricerca propone un quadro per ottimizzare il rilevamento DDoS nelle reti 5G
Un nuovo studio esamina i modi per rilevare gli attacchi Distributed Denial-of-Service nelle reti 5G cloud-native. Presenta un quadro decisionale semplificato che valuta se sia meglio utilizzare caratteristiche temporali o strutturali per individuare anomalie prima dell'addestramento di un modello. Questo quadro utilizza due diagnostiche principali: l'autocorrelazione di lag-1 di un segnale di flusso aggregato e la varianza cumulativa spiegata dalla PCA. Se i risultati non sono chiari, il sistema potrebbe esplorare un approccio misto in futuro. La ricerca ha testato vari algoritmi, tra cui Isolation Forest e KMeans, su due dataset distinti. I risultati indicano che le caratteristiche strutturali spesso superano quelle temporali, specialmente quando le dipendenze temporali sono più deboli. Questo lavoro affronta una lacuna nella ricerca che tipicamente assume un modello di traffico fisso senza valutare il miglior spazio delle caratteristiche. È pubblicato su arXiv nella sezione Computer Science e Machine Learning.
Fatti principali
- Lo studio si concentra sul rilevamento anomalie non supervisionato per attacchi DDoS nelle reti 5G cloud-native.
- Un quadro decisionale leggero dà priorità alle caratteristiche temporali o strutturali prima dell'addestramento del modello.
- Vengono utilizzate due diagnostiche: autocorrelazione di lag-1 di un segnale di flusso aggregato e varianza cumulativa spiegata dalla PCA.
- Un'opzione ibrida è riservata come soluzione futura quando le diagnostiche sono inconcludenti.
- Gli esperimenti hanno utilizzato algoritmi Isolation Forest, One-Class SVM e KMeans su due dataset distinti.
- Le caratteristiche strutturali hanno costantemente eguagliato o superato le caratteristiche temporali nelle prestazioni di rilevamento.
- Il divario di prestazioni si amplia quando la dipendenza temporale si indebolisce.
- La ricerca è pubblicata su arXiv nella sezione Computer Science > Machine Learning.
Entità
Istituzioni
- arXiv