Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
IoT-Based DDoS Attack Detection and Mitigation Using the Edge of SDN Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

DDOS Multivariate Information Fusion Model Based on Hierarchical Representation Learning

verfasst von : Xiangyan Tang, Yiyang Zhang, Jieren Cheng, Jinying Xu, Hui Li

Erschienen in: Cyberspace Safety and Security

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The existing DDOS detection methods have the problems of single acquisition node and low detection rate. A multi-source DDOS information fusion model (HRM) based on hierarchical representation learning network and a FlowMerge algorithm based on three network flow merging modes are proposed. Firstly, the network traffic is transformed into triples, and the dimensionality reduction of Tsne algorithm is used to transform it into network IP topology structure graph. Then, the network flow is merged by FlowMerge algorithm, which is decomposed into a series of smaller and approximate coarse-grained topology structure graphs. Then, the features are embedded into more fine-grained graphs iteratively, and the HRM model is established. The experimental results show that the model can better reflect the temporal and spatial characteristics of network traffic, improve the detection accuracy, and have better robustness.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel DDoS Attack Detection Method Based on V-Support Vector Machine
Nächstes Kapitel A Method of Malicious Bot Traffic Detection
Literatur
1.
Doshi, R., Apthorpe, N., Feamster, N.: Machine Learning DDoS Detection for Consumer Internet of Things Devices, pp. 29–35 (2018)
2.
Hodo, E., Bellekens, X., Hamilton, A., et al.: Threat analysis of IoT networks using artificial neural network intrusion detection system. In: 2016 International Symposium on Networks, Computers and Communications (ISNCC), Yasmine Hammamet, pp. 1–6 (2016)
3.
Cheng, J., Zhou, J., Liu, Q., Tang, X., Guo, Y.: A DDoS detection method for socially aware networking based on forecasting fusion feature sequence. Comput. J. 61(7), 959–970 (2018)CrossRef
4.
Cheng, J., Xu, R., Tang, X., Sheng, V.S., Cai, C.: An abnormal network flow feature sequence prediction approach for DDoS attacks detection in big data environment. Comput. Mater. Continua 55(1), 95–119 (2018)
5.
Cheng, J., Tang, X., Yin, J.: A change-point DDoS attack detection method based on half interaction anomaly degree. Int. J. Auton. Adapt. Commun. Syst. 10(1), 38–54 (2017)CrossRef
6.
Spaulding, J., Mohaisen, A.: Defending internet of things against malicious domain names using D-FENS. In: 2018 IEEE/ACM Symposium on Edge Computing (SEC). ACM (2018)
7.
Nam, T.M., Phong, P.H., Khoa, T.D., et al.: [IEEE 2018 International Conference on Information Networking (ICOIN) - Chiang Mai, Thailand (2018.1.10–2018.1.12)] 2018 International Conference on Information Networking (ICOIN) - Self-organizing map-based approaches in DDoS flooding detection using SDN. In: International Conference on Information Networking, pp. 249–254. IEEE Computer Society (2018)
8.
Li, P., Li, J., Huang, Z., et al.: Privacy-preserving outsourced classification in cloud computing. Cluster Comput. 21(1), 277–286 (2018)CrossRef
9.
Li, J., Chen, X., Huang, Q., et al.: Digital provenance: enabling secure data forensics in cloud computing. Future Gener. Comput. Syst. 37, 259–266 (2014)CrossRef
10.
11.
Cheng, J., Yin, J., Liu, Y., Cai, Z., Li, M.: Detecting distributed denial of service attack based on address correlation value. J. Comput. Res. Dev. 46(8), 1334–1340 (2009)
12.
Pezzotti, N., Lelieveldt, B.P.F., Maaten, L.V.D., et al.: Approximated and user steerable tSNE for progressive visual analytics. IEEE Trans. Vis. Comput. Graph 23(7), 1739–1752 (2017)CrossRef
13.
Chen, H., Perozzi, B., Hu, Y., et al.: HARP: Hierarchical Representation Learning for Networks (2017)
14.
Wang, D., Cui, P., Zhu, W.: Structural deep network embedding. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2016)
15.
Cao, Y., Zhou, Z., Sun, X., Gao, C.: Coverless information hiding based on the molecular structure images of material. Comput. Mater. Continua 54(2), 197–207 (2018)
16.
Agarwal, A., Dawson, S., Mckee, D., et al.: Detecting abnormalities in IoT program executions through control-flow-based features: poster abstract. In: International Conference on Internet-of-Things Design and Implementation (2017)
17.
Doshi, R., Apthorpe, N., Feamster, N.: [IEEE 2018 IEEE Security and Privacy Workshops (SPW) - San Francisco, CA, USA (2018.5.24–2018.5.24)] 2018 IEEE Security and Privacy Workshops (SPW) - Machine Learning DDoS Detection for Consumer Internet of Things Devices, pp. 29–35 (2018)
18.
Metadaten
Titel
DDOS Multivariate Information Fusion Model Based on Hierarchical Representation Learning
verfasst von
Xiangyan Tang
Yiyang Zhang
Jieren Cheng
Jinying Xu
Hui Li
Copyright-Jahr
2019
Buch
Cyberspace Safety and Security

Print ISBN: 978-3-030-37351-1

Electronic ISBN: 978-3-030-37352-8

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-37352-8_5