Detecção de Ataques de Negação de Serviço Distribuídos com Algoritmos de Aprendizado de Máquina

• Rodrigo R. Silva CEFET/RJ
• Felipe da R. Henriques CEFET/RJ
• Igor M. Moraes UFF
• Dalbert M. Mascarenhas CEFET/RJ

DOI: https://doi.org/10.5753/sbseg.2024.241684

Resumo

Este artigo propõe uma metodologia para detectar e classificar ataques de negação de serviço distribuídos. A metodologia proposta emprega técnicas de balanceamento de dados, pré-processamento e seleção de atributos diferentes das encontradas nos trabalhos relacionados. São avaliados cinco algoritmos de aprendizado de máquina e o conjunto de dados usado para treinamento, validação e avaliação é o CIC-DDoS2019. Experimentos mostram que o algoritmo Random Forest (RF) apresenta os melhores resultados tanto na classificação binária quanto na classificação multiclasse. No cenário binário sem dados sintéticos, o RF atingiu 99,8% de acurácia, enquanto na classificação multiclasse alcançou uma taxa de detecção de 100% para ataques SYN e 98% ou superior para outros tipos de ataques.

Referências

Agiollo, A., Bardhi, E., Conti, M., Lazzeretti, R., Losiouk, E. e Omicini, A. (2023). GNN4IFA: Interest flooding attack detection with graph neural networks. Em IEEE European Symposium on Security and Privacy (EuroS&P), p. 615–630.

Arp, D., Quiring, E., Pendlebury, F., Warnecke, A., Pierazzi, F., Wressnegger, C., Cavallaro, L. e Rieck, K. (2022). Dos and don’ts of machine learning in computer security. Em USENIX Security Symposium.

Bala, B. e Behal, S. (2024). AI techniques for IoT-based DDoS attack detection: Taxonomies, comprehensive review and research challenges. Computer science review, 52:100631.

Chawla, N. V., Bowyer, K. W., Hall, L. O. e Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16:321–357.

Elsayed, M. S., Le-Khac, N.-A., Dev, S. e Jurcut, A. D. (2020). DDoSNet: A deep-learning model for detecting network attacks. Em IEEE 21st International Symposium on “A World of Wireless, Mobile and Multimedia Networks” (WoWMoM), p. 391–396.

Fister Jr, I., Yang, X.-S., Fister, I., Brest, J. e Fister, D. (2013). A brief review of nature-inspired algorithms for optimization. arXiv preprint arXiv:1307.4186.

Horchulhack, P., Viegas, E., Santin, A. e Geremias, J. (2022). Atualização de modelo baseado em aumento de dados e transferência de aprendizagem para detecção de intrusão em redes. Em Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg), p. 223–235.

Kaggle (2024). Level up with the largest AI & ML community. [link]. (Acesso em 19 de junho de 2024).

Kurniabudi, Stiawan, D., Darmawijoyo, Idris, M. Y. B., Bamhdi, A. M. e Budiarto, R. (2020). CICIDS-2017 dataset feature analysis with information gain for anomaly detection. IEEE Access, 8:132911–132921.

Laufer, R. P., Moraes, I. M., Velloso, P. B., Bicudo, M. D. D., Campista, M. E. M., Cunha, D. O., Costa, L. H. M. K. e Duarte, O. C. M. B. (2005). Negação de serviço: Ataques e contramedidas. Em Minicursos do Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg), p. 1–63.

Li, Z., Kong, Y. e Jiang, C. (2023). A transfer double deep Q network based DDoS detection method for internet of vehicles. IEEE Transactions on Vehicular Technology, 72(4):5317–5331.

Liashchynskyi, P. e Liashchynskyi, P. (2019). Grid search, random search, genetic algorithm: a big comparison for nas. arXiv preprint arXiv:1912.06059.

Lima, M., Neira, A., Borges, L. e Nogueira, M. (2023). Predição não-supervisionada de ataques DDoS por sinais precoces e one-class SVM. Em Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg), p. 403–416.

Nazarudeen, F. e Sundar, S. (2022). Efficient DDoS attack detection using machine learning techniques. Em IEEE International Power and Renewable Energy Conference (IPRECON), p. 1–6.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., , Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M. e Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. The Journal of machine Learning research, 12:2825–2830.

Polat, H., Polat, O. e Cetin, A. (2020). Detecting DDoS attacks in software-defined networks through feature selection methods and machine learning models. Sustainability, 12(3):1035.

Sharafaldin, I., Lashkari, A. H., Hakak, S., e Ghorbani, A. A. (2019). Developing realistic distributed denial of service (DDoS) attack dataset and taxonomy. Em IEEE 53rd International Carnahan Conference on Security Technology.

Yoachimik, O., Desgats, J. e Forster, A. (2023). Cloudflare mitigates record-breaking 71 million request-per-second DDoS attack. [link]. (Acesso em 25 de agosto 2023).