DDoS(분산 서비스 거부)공격은 수만 대의 좀비 장치가 동시에 서버에 연결 요청을 쏟아부어 서비스를 마비시키는 공격이다. IoT 기기 확산으로 봇넷 규모가 커지면서 DDoS 공격의 강도와 빈도가 급증하고 있다. 전통적인 규칙 기반 방어는 변형 공격에 취약하다.
이번 연구는 앙상블 딥러닝을 활용해 스마트 네트워크 환경에서 DDoS 공격을 탐지하는 시스템을 제안했다. 앙상블은 여러 모델의 예측을 결합해 단일 모델보다 정확도와 강건성을 높이는 방법이다.
결과:제안 시스템이 기존 탐지 시스템 대비 탐지율 97.8%,오탐률 1.2%를 달성했다. 특히 볼류메트릭 공격, 프로토콜 공격, 애플리케이션 레이어 공격의 세 가지 유형 모두에서 높은 성능을 보였다.
실시간 탐지 성능도 검증됐다 — 공격 패킷 인식에 소요되는 시간이 수 밀리초 수준으로, 실제 네트워크 환경에 적용 가능하다.
AI 기반 보안이 단순 규칙을 넘어 패턴을 학습하고 변형 공격에 적응하는 방향으로 진화하고 있다.
📖 *Ensemble deep learning for DDoS detection* |
논문DDoS (Distributed Denial of Service) attacks flood servers with connection requests from tens of thousands of zombie devices, paralyzing services. IoT device proliferation enlarges botnet scale, intensifying attack frequency. Traditional rule-based defenses are vulnerable to attack variants.
This study proposed an ensemble deep learning system for DDoS detection in smart networks — combining multiple models (CNN, LSTM, Transformer) for superior accuracy and robustness versus single models.
Results: the proposed system achieved 97.8% detection rate and 1.2% false positive rate versus existing systems, performing highly across all three attack types: volumetric, protocol, and application layer attacks.
Real-time detection performance was validated — attack packet recognition in milliseconds, applicable to real network environments.
AI-based security is evolving beyond simple rules to learn patterns and adapt to attack variants.
📖 *Ensemble DL for DDoS detection (Empirical)*
