Татьяна Александровна Пелешенко – кандидат технических наук, доцент, доцент кафедры вычислительной математики и кибернетики факультета математики и компьютерных наук имени профессора Н.И. Червякова
д. 1, ул. Пушкина, Ставрополь, 355017
Tatiana A. Peleshenko – Candidate of Technical Sciences, Associate Professor, Associate Professor of the Department of Computational Mathematics and Cybernetics, Faculty of Mathematics and Computer Science named after Professor N.I. Chervyakov
1, Pushkin St., Stavropol, 355017
Владислав Викторович Бровков – студент кафедры вычислительной математики и кибернетики факультета математики и компьютерных наук имени профессора Н.И. Червякова
д. 1, ул. Пушкина, Ставрополь, 355017
Vladislav V. Brovkov – a student
1, Pushkin St., Stavropol, 355017
Алиса Андреевна Кущенко – студент
д. 1, ул. Пушкина, Ставрополь, 355017
Alisa A. Kushchenko – a student of the Department of Computational Mathematics and Cybernetics at the Faculty of Mathematics and Computer Science named after Professor N.I. Chervyakov
1, Pushkin St., Stavropol, 355017
Максим Евгеньевич Парфентьев – студент московского института радиотехники, электроники и автоматики
д. 78, пр. Вернадского, Москва, 119454
Maxim E. Parfentiev – a student at the Moscow Institute of Radio Engineering, Electronics and Automation
78, Vernadsky Ave., Moscow, 119454
Денис Игоревич Ледян – аспирант
д. 17, ул. Серпуховский Вал, Москва, 327210
Denis I. Ledyan – a postgraduate student
17, Serpukhovsky Val St., Moscow, 327210
Распространение наборов данных, содержащих образцы DDoS-атак в программно-определяемых сетях (SDN), является важной задачей для улучшения методов обнаружения угроз. В данной работе исследуются подходы машинного обучения (МО) для генерации синтетических данных на основе датасета HLD-DDoSDN. Рассматриваются генеративные состязательные сети (GAN), вариационные автоэнкодеры (VAE), методы повторной выборки (SMOTE, ADASYN) и диффузионные модели. Проводится сравнительный анализ методов по качеству генерации, вычислительной сложности и применимости в задачах обнаружения DDoS-атак. Результаты показывают, что гибридные методы, сочетающие GAN и SMOTE, демонстрируют наилучший баланс между качеством данных и эффективностью.
TDistributing datasets containing DDoS attack patterns in software-defined networks (SDNs) is an important task for improving threat detection methods. This paper examines machine learning (MO) approaches for generating synthetic data based on the HLD-DDoSDN dataset. Generative adversarial networks (GAN), variational autoencoders (VAE), resampling methods (SMOTE, ADASYN), and diffusion models are considered. A comparative analysis of methods is carried out in terms of generation quality, computational complexity, and applicability in DDoS attack detection tasks. The results show that hybrid methods combining GAN and SMOTE demonstrate the best balance between data quality and efficiency.
The authors declare that there are no conflicts of interest present.