| DC Field | Value | Language |
|---|
| dc.contributor.author | Гаврилова, А. А. | - |
| dc.contributor.author | Мусина, К. Ш. | - |
| dc.coverage.spatial | Уфа | en_US |
| dc.date.accessioned | 2026-01-15T08:15:36Z | - |
| dc.date.available | 2026-01-15T08:15:36Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Гаврилова, А. А. Определение и обнаружение DDoS-атак с использованием методов машинного обучения = Identification and detection of DDoS attacks using machine learning methods / А. А. Гаврилова, К. Ш. Мусина // Информационные технологии обеспечения комплексной безопасности в цифровом обществе : материалы VII Всероссийской молодёжной научно-практической конференции с международным участием, Уфа, 23–24 мая 2025 г. / Уфимский университет науки и технологий ; редкол.: Д. С. Юнусова (отв. ред.) [и др.]. – Уфа, 2025. – С. 63–66. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/62731 | - |
| dc.description.abstract | В статье представлено исследование применения различных методов машинного обучения для обнаружения DDoS-атак на основе анализа сетевого трафика. Проводится сравнительный анализ производительности моделей Random Forest, Bagging, AdaBoost, XGBoost, LightGBM, CatBoost с использованием метрик Accuracy, Precision, Recall, F1 и ROC-AUC. Целью работы является определение наиболее эффективного метода для раннего обнаружения и предотвращения DDoS-атак. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | Уфимский университет науки и технологий | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | DDoS-атаки | en_US |
| dc.subject | кибербезопасность | en_US |
| dc.subject | сетевой трафик | en_US |
| dc.title | Определение и обнаружение DDoS-атак с использованием методов машинного обучения | en_US |
| dc.title.alternative | Identification and detection of DDoS attacks using machine learning methods | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The article presents a study of the use of various machine learning methods for detecting DDoS attacks based on network traffic analysis. A comparative analysis of the performance of the Random Forest, Bagging, AdaBoost, XGBoost, LightGBM, and CatBoost models is carried out using Accuracy, Precision, Recall, F1, and ROC-AUC metrics. The aim of the work is to determine the most effective method for early detection and prevention of DDoS attacks. | en_US |
| Appears in Collections: | Информационные технологии обеспечения комплексной безопасности в цифровом обществе (2025)
|
