Um Sistema Autoadaptável para Predição de Ataques DDoS Fundado na Teoria da Metaestabilidade

• Mateus Pelloso UFPR
• Andressa Vergütz UFPR
• Aldri Santos UFPR
• Michele Nogueira UFPR

DOI: https://doi.org/10.5753/sbrc.2018.2454

Resumo

Os ataques de Negação de Serviço Distribuídos (Distributed Denial of Service - DDoS) crescem significativamente em volume, sofisticação e impacto. Exemplos são os ataques DDoS contra a empresa francesa OVN e o provedor de nomes DYN, os quais atingiram volumes inéditos de tráfego malicioso. Em geral, esses ataques possuem comportamentos inesperados, desta forma são detectados ou mitigados apenas quando se encontram em estágios avançados. Diferente de outros trabalhos, nós advogamos pelo prognóstico precoce de ataques DDoS a fim de evitar custos e perdas provenientes do ataque. Este trabalho apresenta STARK, um sistema autoadaptativo de predição de ataques DDoS, que identifica indícios do ataque na rede antes deste alcançar estágios avançados. Com base na teoria da metaestabilidade, STARK provê um aprendizado estatístico não supervisionado e identifica a iminência de ataques DDoS. A avaliação do STARK segue uma abordagem orientada a traços, em que três bases de dados são utilizadas. Como resultado, STARK demonstra predizer os ataques DDoS com minutos ou horas de antecedência.

Referências

Azzouni, A. and Pujolle, G. (2017). A long short-term memory recurrent neural network framework for network trafc matrix prediction. arXiv.

Bovier, A. and Den Hollander, F. (2016). Metastability: a potential-theoretic approach, volume 351. Springer.

CAIDA, U. (2007). The CAIDA UCSD ”DDoS attack 2007”dataset. Disponível em https://www.caida.org/data/passive/ddos-20070804_dataset.xml. Acesso em Jun/2017.

Dakos, V., Carpenter, S. R., Brock, W. A., Ellison, A. M., Guttal, V., Ives, A. R., Ké, S., Livina, V., Seekell, D. A., van Nes, E. H., and Scheffer, M. (2012). Methods for detecting early warnings of critical transitions in time series illustrated using simulated ecological data. PloS one, 7(7).

García, S. and Uhlir, V. (2011). Malware capture facility project. Disponível em http://mcfp.weebly.com/the-ctu-13-dataset-a-labeled-datasetwith-botnet-normal-and-background-traffic.html. Acesso em Jun/2017.

Holgado, P., VILLAGRA, V. A., and Vazquez, L. (2017). Real-time multistep attack prediction based on hidden markov models. IEEE Transactions on Dependable and Secure Computing.

Kwon, D., Kim, H., An, D., and Ju, H. (2017). Ddos attack volume forecasting using a statistical In 2017 IFIP/IEEE Symposium on Integrated Network and Service Management approach. (IM), pages 1083–1086. IEEE.

Laboratory, L. (2000). DARPA intrusion detection evaluation. Disponível em https://www.ll.mit.edu/ideval/data/2000/LLS_DDOS_1.0.html. Acesso em Jun/2017.

Lima, M. N., Dos Santos, A. L., and Pujolle, G. (2009). A survey of survivability in mobile ad hoc networks. IEEE Communications Surveys & Tutorials, 11(1):66–77.

Introdução á Estatística: Aplicações em Mattos, V., Konrath, A., and Azambuja, A. (2017).

Ciências Exatas. Livros Técnicos e Cientícos Editora-LTC.

NicBR (2017). CERT.br registra aumento de ataques de negação de serviço em 2016. http://www.nic.br/noticia/releases/cert-br-registra-aumentode-ataques-de-negacao-de-servico-em-2016/. [ Último acesso em Jul/2017].

Nijim, M., Albataineh, H., Khan, M., and Rao, D. (2017). Fastdetict: A data mining engine for predecting and preventing ddos attacks. In IEEE International Symposium on Technologies for Homeland Security (HST), pages 1–5. IEEE.

Nogueira, M., Santos, A. A., and Moura, J. M. F. (2017). Early signals from volumetric ddos attacks: An empirical study. arXiv, 2.

Ramaki, A. A. and Atani, R. E. (2016). A survey of it early warning systems: architectures, challenges, and solutions. Security and Communication Networks.

Santos, A. A., Nogueira, M., and Moura, J. M. (2017). A stochastic adaptive model to explore mobile botnet dynamics. IEEE Communications Letters, 21(4):753–756.

Scheffer, M., Bascompte, J., Brock, W. A., Brovkin, V., Carpenter, S. R., Dakos, V., Held, H., Van Nes, E. H., Rietkerk, M., and Sugihara, G. (2009). Early-warning signals for critical transitions. Nature, 461(7260):53–59.

Vergutz, A., da Silva, R., Vieira, A. B., and Nogueira, M. (2017). Um sistema de identicação In Anais antecipada e transmissão prioritária de alertas médicos sobre WBANs e WLANs. SBRC, Trilha Principal. (SBRC).

Wang, A., Mohaisen, A., and Chen, S. (2017). An adversary-centric behavior modeling of ddos attacks. In IEEE 37th International Conference on Distributed Computing Systems (ICDCS), pages 1126–1136. IEEE.

Woolf, N. (2016). DDoS attack that disrupted internet was largest of its kind in history, experts say. Disponível em https://www.theguardian.com/technology/2016/oct/26/ddos-attack-dyn-mirai-botnet. Acesso em Jun/2017.

Zan, X., Gao, F., Han, J., and Sun, Y. (2009). A hidden markov model based framework for tracking and predicting of attack intention. In International Conference on Multimedia Information Networking and Security (MINES), volume 2, pages 498–501. IEEE.

Zargar, S. T., Joshi, J., and Tipper, D. (2013). A survey of defense mechanisms against distributed denial of service (DDoS) ooding attacks. IEEE commun. surveys & tuts, 15(4):2046–2069.