Automatização da Seleção de Modelos Não Supervisionados na Predição de Ataques DDoS

• Matheus H. Lima UFMG
• Anderson B. de Neira UFPR
• Ligia F. Borges UFMG
• Michele Nogueira UFMG / UFPR

DOI: https://doi.org/10.5753/sbseg.2024.241466

Resumo

As técnicas de Aprendizado de Máquina (AM) auxiliam na automatização de diferentes tarefas em cibersegurança. Diante da vasta quantidade de algoritmos e de hiperparâmetros, um dos maiores problemas é identificar o modelo que reduz os erros. Assim, selecionar o algoritmo de AM é crucial para lidar de forma adequada com cada ataque e cenário. Para resolver este problema, este artigo apresenta a técnica ALTO que seleciona autonomamente o detector de outlier que maximiza a separação do tráfego de rede maligno do benigno sem o uso de rótulos (não supervisionado) no contexto de predição de ataques de negação de serviço distribuído (DDoS). Os resultados indicam que a técnica ALTO seleciona modelos capazes de superar a precisão dos modelos configurados manualmente e geram até 500% mais verdadeiros positivos.

Referências

Brito, D., de Neira, A. B., Borges, L. F., and Nogueira, M. (2023). An autonomous system for predicting ddos attacks on local area networks and the internet. In 2023 IEEE Latin-American Conference on Communications (LATINCOM), pages 1–6. IEEE.

Devi, D., Biswas, S. K., and Purkayastha, B. (2019). Learning in presence of class imbalance and class overlapping by using One-Class SVM and undersampling technique. Connection Science, 31(2):105–142.

Fernandes, C. A. F. S. (2017). Algoritmo do tipo filter-wrapper de seleção de features para utilização na seleção de genes. Master’s thesis, Universidade de Coimbra.

Feurer, M., Klein, A., Eggensperger, K., Springenberg, J. T., Blum, M., and Hutter, F. (2015). Efficient and robust automated machine learning. In NIPS, page 2755–2763, USA. MIT Press.

Forum, W. E. (2024). The global risks report 2024 Acesso em: 06/2024. [link].

Garcia, S., Grill, M., Stiborek, J., and Zunino, A. (2014). An empirical comparison of botnet detection methods. Computers & Security, 45:100–123.

Halkidi, M. and Vazirgiannis, M. (2001). Clustering validity assessment: finding the optimal partitioning of a data set. In ICDM, pages 187–194.

Halkidi, M. and Vazirgiannis, M. (2008). A density-based cluster validity approach using multi-representatives. Pattern Recognit. Lett., 29(6):773–786.

Hecht, L. (2019). Add it up: How long does a machine learning deployment take? [link].

Jyoti, N. and Behal, S. (2021). A meta-evaluation of machine learning techniques for detection of DDoS attacks. In INDIACom, pages 522–526, India. IEEE.

Kiner, E. and April, T. (2023). Google mitigated the largest DDoS attack to date, peaking above 398 million rps Acesso 10/23. [link].

Lima, M. H., de Neira, A. B., Borges, L. F., and Nogueira, M. (2023). Predição não-supervisionada de ataques ddos por sinais precoces e one-class svm. In SBSeg, pages 403–416. SBC.

Liu, Y., Li, Z., Xiong, H., Gao, X., and Wu, J. (2010). Understanding of internal clustering validation measures. In 2010 IEEE ICDM, pages 911–916. IEEE.

Liu, Z., Qian, L., and Tang, S. (2022). The prediction of DDoS attack by machine learning. In ECNCT, volume 12167, pages 681–686. SPIE.

Mohmand, M. I., Hussain, H., Khan, A. A., Ullah, U., Zakarya, M., Ahmed, A., Raza, M., Rahman, I. U., Haleem, M., et al. (2022). A machine learning-based classification and prediction technique for DDoS attacks. IEEE Access, 10:21443–21454.

Oliveira, J. M., Almeida, J., Macedo, D., and Nogueira, J. M. (2023). Comparative analysis of unsupervised machine learning algorithms for anomaly detection in network data. In 2023 LATINCOM, pages 1–6. IEEE.

Poulakis, G. (2020). Unsupervised AutoML: a study on automated machine learning in the context of clustering. Master’s thesis, Πανεπιστ ήµιo Πειραιώς .

Sharafaldin, I., Lashkari, A. H., Hakak, S., and Ghorbani, A. A. (2019). Developing realistic distributed denial of service (DDoS) attack dataset and taxonomy. In ICCST.