Abstract
Dağıtılmış Hizmet Reddi (DDoS) saldırıları, hizmet kullanılabilirliğini ve bütünlüğünü etkileyerek ağ güvenliği için önemli bir tehdit oluşturmaya devam etmektedir. Anomali tespiti, imza tabanlı yöntemler ve makine öğrenimi (ML) yaklaşımları da dahil olmak üzere geleneksel savunmalar, yüksek yanlış pozitif oranları, düşük ölçeklenebilirlik ve yeni saldırı modellerine sınırlı genelleme gibi zorluklarla karşı karşıyadır. Anomali tespiti genellikle aşırı yanlış pozitif sonuçlar üretirken, imza tabanlı yöntemler yeni saldırıları tespit etmekte başarısız olur. Geleneksel ML teknikleri, gelişen ağ trafiğinin karmaşıklığını yakalamakta zorlanır ve bu da gerçek dünya senaryolarındaki etkinliklerini azaltır. Bu sınırlamaları gidermek için bu çalışma, Gradient Boosting, AdaBoost ve Naive Bayes'i optimize edilmiş sınıflandırıcı ağırlıkları ve yumuşak oylama mekanizmasıyla birleştiren bir topluluk saldırı tespiti modeli önermektedir. Araçların İnterneti (IoV) senaryolarına göre uyarlanmış CICIoV2024 veri setini kullanan topluluk, sırasıyla doğruluk, geri çağırma ve kesinlik açısından 0,96, 0,96, 0,98 ve 0,97'lik F1 puanı değerleriyle bireysel modellerden daha iyi sonuçlar elde ediyor. Bu sonuçlar, modelin dinamik IoV ortamlarında DDoS saldırılarını tespit etmedeki güvenilirliğini ve verimliliğini vurgulayarak, mevcut yöntemlerin temel zayıflıklarını ortadan kaldırıyor.