Aprendizado de Máquina Aplicado na Classificação de Alertas de Ataques de DoS em Sistemas de Detecção de Intrusão
Resumo
Este trabalho contribui com a evolução dos sistemas de detecção de intrusão ao propor um modelo de aprendizado de máquina capaz de identificar ataques de negação de serviço. Para isso, foram utilizados o algoritmo Random Forest sobre um dataset com tipos variados de registros de ataque, validando a abrangência da proposta. Durante o desenvolvimento do modelo final, foram observadas técnicas para reduzir o número de falsos positivos e negativos, con- sequentemente atingindo estatísticas de desempenho relevantes. Os resultados preliminares indicaram boa capacidade de reconhecimento dos ataques.
Palavras-chave:
Aprendizado de Máquina, Random Forest, Detecção de intrusão, negação de serviço, DoS
Referências
Borra, S. and Ciaccio, A. (2010). Measuring the prediction error. A comparison of cross-validation, bootstrap and covariance penalty methods. Computational Statistics & DataAnalysis, 54(12):2976-2989.
Brownlee, J. (2018). A Gentle Introduction to k-fold Cross-Validation. | Dis-ponível em: https://machinelearningmastery.com/k-fold-cross-validation/. Acesso em: 1 nov. 2019.
Buczak, A. L. and Guven, E. (2015). A Survey of Data Mining and Machine LearningMethods for Cyber Security Intrusion Detection. IEEE Communications Surveys AndTutorials, 18(2):1153-1176.
Cisco (2018). Cisco Visual Networking Index (VNI) - Complete Forecast Up-date, 2017-2022. Disponível em: https://www.cisco.com/c/dam/m/en us/network-intelligence/service-provider/digital-transformation/knowledge-network-webinars/pdfs/1211.BUSINESS SERVICES CKN PDF .pdf. Acesso em: 19 nov. 2019.
Hadi, A. A. A. (2018). Performance Analysis of Big Data Intrusion Detection System overRandom Forest Algorithm. International Journal of Applied Engineering Research,13(2):1520-1527.
Kaspersky (2019). DDosS attacks in Q4 2018. Disponível em: https: //securelist.com/ddos-attacks-in-q4-2018/89565/. Acesso em: 19 nov. 2019.
Kuhn, M. (2014). Comparing Different Species of Cross-Validation. Dispo-nível em: http: //appliedpredictivemodeling.com/blog/2014/11/27/vpuig0lpgbkImi72b81c13ij5hj2gm. Acesso em: 1 nov. 2019.
Liaw, A. and Wiener, M. (2018). Package “randomForest”. Disponívelem: https://cran.r-project.org/web/packages/randomForest /randomForest . pdf. Acesso em: 19 nov. 2019.
Moraes, E. A., Tojeiro, C. A. C., Miani, R. S., and Zarpelão, B. B. (2017). Análise deAlertas de Sistemas de Detecção de Intrusão: Uso de Aprendizado Supervisionado naRedução de Alertas Falsos Positivos. Simpósio Brasileiro em Segurança da Informaçãoe de Sistemas Computacionais, 17(1):182-195.
Nilsson, N. J. (1996). Introduction to Machine Learning: An early draft of a proposedtextbook. Stanford Press, Stanford.
Ponemon Institute (2015). The Cost of Denial-of-Services Attacks. Disponívelem: https://www.akamai.com/us/en/multimedia/documents/content/the-cost-of-denial-of-services-attacks.pdf. Acessoem: 30 out. 2019.
Prajapati, N. M., Mishra, A., and Bhanodia, P. (2014). Literature survey - ids for ddosattacks. In 2014 Conference on IT in Business, Industry and Government (CSIBIG),pages 1-3.
Rozemblum, D. (2001). Understanding Intrusion Detection Systems. Disponível em:https://www.sans.org/reading-room/whitepapers/detection/understanding-intrusion-detection-systems-337. Acesso em: 2nov. 2018.
Shah, S. A. R. and Issac, B. (2018). Performance Comparison of Intrusion DetectionSystems and Application of Machine Learning to Snort System. Future GenerationComputer Systems, 80:157-170.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Toward generating a newintrusion detection dataset and intrusion traffic characterization. In ICISSP, pages108-116.
Singh, K. and Nagpal, B. (2018). Random Forest Algorithm in Intrusion DetectionSystem : A Survey. International Journal of Scientific Research in Computer Science,Engineering and Information Technology, 3(5):673-676.
Singh, R. K., Dalal, S., Chauhan, V. K., and Kumar, D. (2019). Optimization of FARin Intrusion Detection System by using Random Forest Algorithm. In 2nd Internatio-nal Conference on Advanced Computing and Software Engineering, pages 274-277,Sultanpur.
Brownlee, J. (2018). A Gentle Introduction to k-fold Cross-Validation. | Dis-ponível em: https://machinelearningmastery.com/k-fold-cross-validation/. Acesso em: 1 nov. 2019.
Buczak, A. L. and Guven, E. (2015). A Survey of Data Mining and Machine LearningMethods for Cyber Security Intrusion Detection. IEEE Communications Surveys AndTutorials, 18(2):1153-1176.
Cisco (2018). Cisco Visual Networking Index (VNI) - Complete Forecast Up-date, 2017-2022. Disponível em: https://www.cisco.com/c/dam/m/en us/network-intelligence/service-provider/digital-transformation/knowledge-network-webinars/pdfs/1211.BUSINESS SERVICES CKN PDF .pdf. Acesso em: 19 nov. 2019.
Hadi, A. A. A. (2018). Performance Analysis of Big Data Intrusion Detection System overRandom Forest Algorithm. International Journal of Applied Engineering Research,13(2):1520-1527.
Kaspersky (2019). DDosS attacks in Q4 2018. Disponível em: https: //securelist.com/ddos-attacks-in-q4-2018/89565/. Acesso em: 19 nov. 2019.
Kuhn, M. (2014). Comparing Different Species of Cross-Validation. Dispo-nível em: http: //appliedpredictivemodeling.com/blog/2014/11/27/vpuig0lpgbkImi72b81c13ij5hj2gm. Acesso em: 1 nov. 2019.
Liaw, A. and Wiener, M. (2018). Package “randomForest”. Disponívelem: https://cran.r-project.org/web/packages/randomForest /randomForest . pdf. Acesso em: 19 nov. 2019.
Moraes, E. A., Tojeiro, C. A. C., Miani, R. S., and Zarpelão, B. B. (2017). Análise deAlertas de Sistemas de Detecção de Intrusão: Uso de Aprendizado Supervisionado naRedução de Alertas Falsos Positivos. Simpósio Brasileiro em Segurança da Informaçãoe de Sistemas Computacionais, 17(1):182-195.
Nilsson, N. J. (1996). Introduction to Machine Learning: An early draft of a proposedtextbook. Stanford Press, Stanford.
Ponemon Institute (2015). The Cost of Denial-of-Services Attacks. Disponívelem: https://www.akamai.com/us/en/multimedia/documents/content/the-cost-of-denial-of-services-attacks.pdf. Acessoem: 30 out. 2019.
Prajapati, N. M., Mishra, A., and Bhanodia, P. (2014). Literature survey - ids for ddosattacks. In 2014 Conference on IT in Business, Industry and Government (CSIBIG),pages 1-3.
Rozemblum, D. (2001). Understanding Intrusion Detection Systems. Disponível em:https://www.sans.org/reading-room/whitepapers/detection/understanding-intrusion-detection-systems-337. Acesso em: 2nov. 2018.
Shah, S. A. R. and Issac, B. (2018). Performance Comparison of Intrusion DetectionSystems and Application of Machine Learning to Snort System. Future GenerationComputer Systems, 80:157-170.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Toward generating a newintrusion detection dataset and intrusion traffic characterization. In ICISSP, pages108-116.
Singh, K. and Nagpal, B. (2018). Random Forest Algorithm in Intrusion DetectionSystem : A Survey. International Journal of Scientific Research in Computer Science,Engineering and Information Technology, 3(5):673-676.
Singh, R. K., Dalal, S., Chauhan, V. K., and Kumar, D. (2019). Optimization of FARin Intrusion Detection System by using Random Forest Algorithm. In 2nd Internatio-nal Conference on Advanced Computing and Software Engineering, pages 274-277,Sultanpur.
Publicado
07/12/2020
Como Citar
SILVA, Henrique Cesar Ferreira; PIETRO, Luca Baron; DARIO, Luís Gustavo Beccheri; MORAES, Eduardo Alves; HERNANDES JR., Paulo R. Galego; BAREA, Emerson Rogério Alves.
Aprendizado de Máquina Aplicado na Classificação de Alertas de Ataques de DoS em Sistemas de Detecção de Intrusão. In: WORKSHOP DE TRABALHOS DE INICIAÇÃO CIENTÍFICA E DE GRADUAÇÃO - SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 38. , 2020, Rio de Janeiro.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 241-248.
ISSN 2177-9384.
DOI: https://doi.org/10.5753/sbrc_estendido.2020.12425.
