本論文では、分散型サービス拒否（DDoS）攻撃の増加とその高度化に伴い、より効率的で解釈可能な検知手法の開発が重要であることが論じられています。従来の検知システムは拡張性や透明性に課題があり、リアルタイムの対応や攻撃ベクターの理解が妨げられています。提案された方法は、機械学習を用いたDDoS攻撃の検知および解釈のための自動化フレームワークです。Tree-based Pipeline Optimization Tool（TPOT）を活用して、機械学習モデルや特徴の選択・最適化を自動的に行い、手動実験の必要を減らします。また、SHapley Additive exPlanations（SHAP）を取り入れることで、モデルの解釈性を向上させ、個々の特徴が検知プロセスに与える影響を詳細に示します。このアプローチは、DDoS検知の精度と透明性を改善します。実験結果により、平均逆パケット長や最小前方パケットヘッダ長などの重要な特徴がDDoS攻撃の検知において重要であることが示され、スケーラブルで説明可能なサイバーセキュリティソリューションを提供します。