Detecção de Ataques DDoS em Tempo de Execução baseado em Modelo Transformer Otimizado por Chunks

• Gustavo F. Pereira UFMG
• Euclides Peres Farias Jr. UFPR
• Anderson Berganini de Neira UFMG / IFPR
• Michele Nogueira UFMG / UFPR

DOI: https://doi.org/10.5753/sbrc.2026.19870

Resumo

Os ataques de negação de serviço distribuídos (do inglês, Distributed Denial of Service – DDoS) estão cada vez mais rápidos em sua execução e mais prejudiciais. Assim, detectá-los rapidamente se torna crucial. As soluções que empregam modelos robustos de IA possuem tempos de inferência de vários segundos ou minutos na detecção de ataques. Este artigo propõe um método de detecção de ataques DDoS baseado em chunks com uma arquitetura Transformer, permitindo a detecção em fluxo de rede em tempo de execução. O método captura o tráfego e o processa em janelas temporais decompostas em janelas menores, reduzindo o custo computacional e classificando a janela binariamente. Nos experimentos, o método alcançou 99% de acurácia, e a identificação de janelas maliciosas foi realizada em 35 ms.

Referências

Ali, M., Saleem, Y., Hina, S., and Shah, G. A. (2025). DDoSViT: IoT DDoS attack detection for fortifying firmware Over-The-Air (OTA) updates using vision transformer. Internet of Things, 30:101527.

Ashraf, J., Raza, G. M., Kim, B.-S., Wahid, A., and Kim, H.-Y. (2025). Making a real-time iot network intrusion-detection system (inids) using a realistic BoT-IoT dataset with multiple machine-learning classifiers. Applied Sciences (2076-3417), 15(4).

Dantas Silva, F. S., Silva, E., Neto, E. P., Lemos, M., Venancio Neto, A. J., and Esposito, F. (2020). A taxonomy of DDoS attack mitigation approaches featured by SDN technologies in iot scenarios. Sensors, 20(11):3078.

Farias, E. P., de Neira, A. B., Borges, L. F., and Nogueira, M. (2025). Transformers model for DDoS attack detection: A survey. Computer Networks, 270:111433.

Gcore (2025). Gcore successfully stops 6 tbps DDoS attack. Pico de 6 Tbps e 5,3 Bpps; ataque UDP; mitigado.

He, M., Zhao, X., and Wang, X. (2024). An efficient ddos detection method based on packet grouping via online data flow processing. IEEE Transactions on Sustainable Computing, 10(2):202–216.

Hernandez, D. V., Lai, Y.-K., and Ignatius, H. T. (2025). Real-time DDoS detection in high-speed networks: A deep learning approach with multivariate time series. Electronics, 14(13):2673.

Holdsworth, J. and Kosinski, M. (n.d.). O que é um ataque distributed denial-of-service (DDoS)? IBM Think.

Li, Y., Deng, X., Yang, A., and Gao, J. (2025). A transformer-based framework for DDoS attack detection via temporal dependency and behavioral pattern modeling. Algorithms, 18(10):628.

Mittal, M., Kumar, K., and Behal, S. (2023). Deep learning approaches for detecting DDoS attacks: A systematic review. Soft computing, 27(18):13039–13075.

Najar, A. A. and Manohar Naik, S. (2025). Ddos attack detection using cnn-bilstm with attention mechanism. Telematics and Informatics Reports, 18:100211.

Nalayini, C., Soumya, T., Lalitha, S., and Tamijetchelvy, R. (2025). A novel adaptive transformer based quantum intrusion detection system for software defined networks. Scientific Reports, 15(1):36505.

of the Republic of Lithuania, G. (2022). Intense DDoS attacks targeted several companies and institutions in lithuania.

Ullah, F., Ullah, S., Srivastava, G., and Lin, J. C.-W. (2024). IDS-INT: Intrusion detection system using transformer-based transfer learning for imbalanced network traffic. Digital Communications and Networks, 10(1):190–204.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., and Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.

Wang, H. and Li, W. (2021). DDosTC: A transformer-based network attack detection hybrid mechanism in SDN. Sensors, 21(15):5047.

Wireshark (2026). tshark - The Wireshark Network Analyzer 3.2.2. Online documentation.