DOI: https://doi.org/10.48084/etasr.14119
تاريخ النشر: 2026-02-09
المؤلف: Ayoub Alsarhan وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
تتناول الورقة البحثية الزيادة المتزايدة في ضعف الأنظمة الحديثة أمام هجمات حجب الخدمة الموزعة (DDoS)، التي أصبحت أكثر تكرارًا وتعقيدًا بسبب ارتفاع تقنيات الاتصال اللاسلكي. تكافح طرق الكشف التقليدية لمواكبة هذه التهديدات المتطورة. لمواجهة هذه المشكلة، يقترح المؤلفون نظام كشف يعتمد على التعلم العميق يتم تنفيذه ضمن إطار التعلم الفيدرالي، باستخدام مجموعة بيانات CICDDoS2019 للتدريب والتقييم.
تشير النتائج إلى أن التعلم العميق الفيدرالي (FDL) يتفوق بشكل كبير على خوارزميات التعلم الآلي التقليدية، بما في ذلك الغابات العشوائية (RF) وآلات الدعم الناقل (SVM) والشبكات العصبية التكرارية (RNNs)، محققًا دقة كشف تصل إلى 98%. علاوة على ذلك، يعزز النهج المقترح الاسترجاع ويقلل من الإيجابيات الكاذبة، مما يجعله مناسبًا بشكل خاص للكشف عن التسلل في الوقت الحقيقي في البيئات الديناميكية مع ضمان خصوصية المستخدم من خلال الاحتفاظ بالبيانات المحلية.
مقدمة
تتناول مقدمة الورقة البحثية التهديد المتزايد الذي تشكله هجمات حجب الخدمة الموزعة (DDoS)، والتي تعيق بشكل كبير تقدم قطاع تكنولوجيا المعلومات بسبب تعقيدها المتزايد. تهدف هذه الهجمات إلى إغراق الشبكات والخوادم بحركة مرور مفرطة، مما يؤدي إلى انقطاع الخدمات وخسائر مالية كبيرة. غالبًا ما تفشل حلول الأمان الحالية في الكشف عن هجمات DDoS والتخفيف منها في الوقت الحقيقي، مما يستدعي تطوير أنظمة كشف متقدمة قادرة على تحديد أنماط الهجوم ضمن مجموعات بيانات ضخمة وديناميكية. لقد زاد انتشار التكنولوجيا اللاسلكية من تكرار هذه الهجمات.
لمواجهة هذا التحدي، تقترح الورقة دمج نماذج التعلم العميق (DL) مع التعلم العميق الفيدرالي (FDL) كطريقة واعدة لتعزيز كشف DDoS. يسمح FDL بتدريب النماذج بشكل تعاوني عبر عدة عملاء دون المساس بخصوصية المستخدم، حيث يمكنه تجميع تحديثات النماذج بدلاً من مشاركة البيانات الخام. لا يعزز هذا النهج اللامركزي خصوصية البيانات فحسب، بل يخفف أيضًا من العبء الحسابي على الخوادم المركزية. تستخدم الدراسة مجموعة بيانات CICDDoS2019 للتدريب والاختبار، مما يبرز إمكانية FDL في تحسين دقة كشف DDoS مع ضمان حماية الخصوصية، وبالتالي تقديم مساهمة قيمة في مجال التخفيف من هجمات DDoS على نطاق واسع.
النتائج
تظهر نتائج الدراسة أن نموذج التعلم الفيدرالي (FDL) المقترح يظهر أداءً متفوقًا في كشف هجمات حجب الخدمة الموزعة (DDoS) مقارنة بتقنيات التعلم الآلي التقليدية مثل آلات الدعم الناقل (SVM) والشبكات العصبية التكرارية (RNN) والغابات العشوائية (RF). تشير تحليل مصفوفة الالتباس إلى معدل كشف مرتفع للهجمات مع الحفاظ على معدل إيجابيات كاذبة منخفض لحركة المرور السليمة، مما يبرز موثوقية النموذج. على وجه التحديد، حقق FDL دقة تصل إلى 98%، وهي الأعلى بين الطرق التي تم تقييمها، وتفوق في مقاييس الدقة والاسترجاع، وهي حاسمة لتقليل الإيجابيات الكاذبة وضمان تحديد الهجمات الحقيقية، على التوالي.
توضح الأشكال المقدمة في الدراسة أن FDL يتفوق على مصنفات أخرى من حيث الدقة والاسترجاع ودرجة F1، مما يدل على فعاليته في التعرف على الأنماط المعقدة والارتباطات ضمن مجموعات البيانات الكبيرة. تمكن قدرات استخراج الميزات المتقدمة للنموذج من الكشف عن الخصائص الدقيقة لهجمات DDoS، مما يقلل من مخاطر التصنيف الخاطئ. علاوة على ذلك، لا يعزز دمج التعلم الفيدرالي قدرات الكشف للنموذج فحسب، بل يعزز أيضًا نهج الأمان التعاوني، مما يسمح لعدة وكلاء بتحسين النظام مع الحفاظ على سرية البيانات. بشكل عام، تشير النتائج إلى أن FDL هو طريقة قوية وفعالة للكشف عن هجمات DDoS في الوقت الحقيقي، على الرغم من الحاجة إلى مزيد من التقدم لتعزيز مرونة وفعالية أنظمة كشف DDoS من خلال تقنيات التعلم الفيدرالي.
المناقشة
تقيّم قسم المناقشة في الورقة أداء نهج التعلم الفيدرالي (FDL) في كشف هجمات حجب الخدمة الموزعة (DDoS)، مما يظهر تفوقه على أنظمة كشف التسلل التقليدية (IDSs). تشير التحليلات، المستندة إلى مجموعة بيانات حديثة، إلى أن طريقة FDL تحقق دقة تصنيف أعلى، مما يبرز فعاليتها في كشف DDoS. تنتقد الورقة المنهجيات الحالية، مشيرة إلى القيود مثل مجموعات البيانات القديمة، والأحمال الزائدة على مفاتيح بيانات الطائرة، وغياب استراتيجيات التخفيف المتكاملة، والتي تعتبر ضرورية للدفاع الشامل ضد DDoS.
علاوة على ذلك، توضح الورقة خوارزمية FDL، التي تمكن من التدريب اللامركزي لنماذج التعلم العميق عبر عدة عملاء مع الحفاظ على خصوصية البيانات. يستخدم هذا النهج بيانات حركة المرور المحلية لحساب تحديثات النموذج، والتي يتم تجميعها بواسطة خادم مركزي لتحسين نموذج عالمي. تتضمن البنية الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية ذات الذاكرة الطويلة والقصيرة (LSTM) لالتقاط الأنماط المكانية والزمانية في حركة مرور الشبكة بشكل فعال. تعتبر مجموعة بيانات CICDDoS2019، التي تتميز بتنوعها وأنماط الحركة الواقعية، هي الأساس لتدريب واختبار النظام المقترح. يتم استخدام خطوات المعالجة المسبقة، بما في ذلك اختيار الميزات، والتطبيع، وترميز التسميات، لتعزيز أداء النموذج وضمان الكشف الدقيق عن هجمات DDoS.
DOI: https://doi.org/10.48084/etasr.14119
Publication Date: 2026-02-09
Author(s): Ayoub Alsarhan et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The paper addresses the increasing vulnerability of modern systems to Distributed Denial of Service (DDoS) attacks, which have become more frequent and sophisticated due to the rise of wireless technologies. Traditional detection methods struggle to keep pace with these evolving threats. To tackle this issue, the authors propose a deep learning-based detection scheme implemented within a federated learning framework, utilizing the CICDDoS2019 dataset for training and evaluation.
The findings indicate that Federated Deep Learning (FDL) significantly outperforms traditional machine learning algorithms, including Random Forest (RF), Support Vector Machines (SVM), and Recurrent Neural Networks (RNNs), achieving a detection accuracy of 98%. Furthermore, the proposed approach enhances recall and minimizes false positives, making it particularly suitable for real-time intrusion detection in dynamic environments while ensuring user privacy through local data retention.
Introduction
The introduction of the paper addresses the escalating threat posed by Distributed Denial of Service (DDoS) attacks, which significantly hinder the progress of the information technology sector due to their increasing sophistication and complexity. These attacks aim to overwhelm networks and servers with excessive traffic, leading to severe service disruptions and financial losses. Current security solutions often fail to detect and mitigate DDoS attacks in real-time, necessitating the development of advanced detection systems capable of identifying attack patterns within vast and dynamic datasets. The proliferation of wireless technology has further exacerbated the frequency of these attacks.
To tackle this challenge, the paper proposes the integration of Deep Learning (DL) models with Federated Deep Learning (FDL) as a promising method for enhancing DDoS detection. FDL allows for collaborative model training across multiple clients without compromising user privacy, as it enables the aggregation of model updates rather than the sharing of raw data. This decentralized approach not only bolsters data privacy but also alleviates the computational burden on central servers. The study utilizes the CICDDoS2019 dataset for training and testing, highlighting FDL’s potential to improve the accuracy of DDoS detection while ensuring privacy protection, thus providing a valuable contribution to the field of large-scale DDoS mitigation.
Results
The results of the study demonstrate that the proposed Federated Learning (FDL) model exhibits superior performance in detecting Distributed Denial of Service (DDoS) attacks compared to traditional machine learning techniques such as Support Vector Machines (SVM), Recurrent Neural Networks (RNN), and Random Forest (RF). The confusion matrix analysis indicates a high detection rate for attacks while maintaining a low false-positive rate for benign traffic, underscoring the model’s reliability. Specifically, FDL achieved an accuracy of 98%, the highest among the evaluated methods, and excelled in precision and recall metrics, which are critical for minimizing false positives and ensuring the identification of genuine attacks, respectively.
Figures presented in the study illustrate that FDL outperforms other classifiers in terms of precision, recall, and F1-score, indicating its effectiveness in recognizing complex patterns and correlations within large datasets. The model’s advanced feature extraction capabilities enable it to detect subtle characteristics of DDoS attacks, thereby reducing misclassification risks. Furthermore, the integration of federated learning not only enhances the model’s detection capabilities but also promotes a collaborative security approach, allowing multiple agents to improve the system while preserving data confidentiality. Overall, the findings suggest that FDL is a robust and efficient method for real-time DDoS attack detection, although further advancements are needed to enhance the flexibility and effectiveness of DDoS detection systems through federated learning techniques.
Discussion
The discussion section of the paper evaluates the performance of a Federated Learning (FDL) approach for detecting Distributed Denial of Service (DDoS) attacks, demonstrating its superiority over traditional Intrusion Detection Systems (IDSs). The analysis, based on a recent dataset, indicates that the FDL method achieves higher classification accuracy, underscoring its effectiveness in DDoS detection. The paper critiques existing methodologies, highlighting limitations such as outdated datasets, excessive loads on data plane switches, and the lack of integrated mitigation strategies, which are essential for comprehensive DDoS defense.
Furthermore, the paper outlines the FDL algorithm, which enables decentralized training of deep learning models across multiple clients while preserving data privacy. This approach utilizes local traffic data to compute model updates, which are aggregated by a central server to refine a global model. The architecture incorporates Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) networks to effectively capture both spatial and temporal patterns in network traffic. The CICDDoS2019 dataset, characterized by its diversity and realistic traffic patterns, serves as the basis for training and testing the proposed scheme. Preprocessing steps, including feature selection, normalization, and label encoding, are employed to enhance model performance and ensure accurate detection of DDoS attacks.