Skip to main navigation menu Skip to main content Skip to site footer

Information technologies and systems

September 5, 2025; Boston, USA: VIII International Scientific and Practical Conference «SCIENTIFIC PRACTICE: MODERN AND CLASSICAL RESEARCH METHODS»


ВИКОРИСТАННЯ ОНЛАЙН-НАВЧАННЯ ДЛЯ АДАПТИВНОГО ВИЯВЛЕННЯ DDOS-АТАК У МЕРЕЖЕВОМУ ТРАФІКУ


DOI
https://doi.org/10.36074/logos-05.09.2025.029
Published
05.09.2025

Abstract

DDoS-атаки залишаються однією з найбільш критичних загроз для сучасних комп’ютерних мереж, оскільки здатні вивести з ладу критичні сервіси та інфраструктуру. Зростання обсягів трафіку, кількості та масовості DDoS-атак[4], широке впровадження шифрування та поява нових, раніше невідомих типів атак суттєво ускладнюють застосування традиційних методів виявлення, які ґрунтуються на сигнатурному аналізі та статичних моделях. Такі методи виявляють атаки лише за заздалегідь відомими шаблонами та не здатні адаптуватися до зміни характеристик трафіку та появи нових атак. Це обумовлює необхідність розробки підходів, здатних до адаптації в режимі реального часу та ефективної роботи у потокових середовищах.

References

  1. Adaptive random forests for evolving data stream classification / H. M. Gomes et al. Machine learning. 2017. Vol. 106, no. 9-10. P. 1469–1495. URL: https://doi.org/10.1007/s10994-017-5642-8.
  2. DDoS evaluation dataset (CIC-DDoS2019). Canadian Institute for Cybersecurity. URL: https://www.unb.ca/cic/datasets/ddos-2019.html.
  3. Learning with drift detection / J. Gama et al. Intelligent data analysis. 2004. P. 286–295. URL: https://doi.org/10.1007/978-3-540-28645-5_29.
  4. Targeted by 20.5 million ddos attacks, up 358% year-over-year: cloudflare’s 2025 Q1 ddos threat report. The Cloudflare Blog. URL: https://blog.cloudflare.com/ddos-threat-report-for-2025-q1/.