Detecção de Ataques DDoS em Redes SDN Utilizando Aprendizado de Máquina: Uma Abordagem em Microsserviços

• Victor Dias UFPA
• Murilo Silva UFPA
• Matheus Gomes UFPA
• Lucas B. Oliveira UFPA
• Diego Abreu UFPA
• João Ferreira UFPA
• Antônio Abelém UFPA

DOI: https://doi.org/10.5753/sbseg_estendido.2023.234287

Resumo

Ainda hoje, a segurança é um desafio crítico nas Redes Definidas por Software (SDN), incluindo ameaças como ataques de negação de serviço distribuído (DDoS). Nesse cenário, o uso de aprendizado de máquina é promissor para detectar e mitigar tais ataques, onde devem ser considerados não apenas o desempenho do modelo, como também, o seu impacto no desempenho do controlador da rede. Este trabalho propõe uma abordagem baseada em microsserviços, avaliando cinco modelos de aprendizado de máquina para detecção. Os resultados identificaram o Random Forest como mais eficaz com F1-Score de 98.65%. Além disso, a abordagem de microsserviços permitiu a utilização de modelos mais complexos sem prejudicar o desempenho do controlador SDN.

Referências

Aslam, N., Srivastava, S., and Gore, M. (2022). Onos flood defender: An intelligent approach to mitigate ddos attack in sdn. Transactions on Emerging Telecommunications Technologies, 33.

Dayal, N., Maity, P., Srivastava, S., and Khondoker, R. (2017). Research trends in security and ddos in sdn. Security and Communication Networks, 9.

Dias, V. (2023a). Repositório Docker Victor GERCOM. [link].

Dias, V. (2023b). Repositório Victor GERCOM. [link].

Francesco, P. D., Malavolta, I., and Lago, P. (2017). Research on architecting microservices: Trends, focus, and potential for industrial adoption. In 2017 IEEE International Conference on Software Architecture (ICSA), pages 21–30.

Gómez Macías, S. (2020). Sistema de detección de ataques de ddos basado en modelos de aprendizaje de máquina para la arquitectura sdn. Master’s thesis. Disponível em: [link].

Macías, S. G., Gaspary, L. P., and Botero, J. F. (2021). Oracle: An architecture for collaboration of data and control planes to detect ddos attacks. In 2021 IFIP/IEEE International Symposium on Integrated Network Management (IM), pages 962–967. IEEE.

SEBITAS (2021). ORACLE_ddos. [link]. Acesso em: 01/04/2023.

Sharafaldin, I., Habibi Lashkari, A., and Ghorbani, A. A. (2018). Toward generating a new intrusion detection dataset and intrusion traffic characterization. Proceedings of the 4th International Conference on Information Systems Security and Privacy.

Singh, A. K., Jaiswal, R. K., Abdukodir, K., and Muthanna, A. (2020). Ardefense: Ddos detection and prevention using nfv and sdn. In 2020 12th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT), pages 236–241.

Sudar, K., Beulah, M., Deepalakshmi, P., Nagaraj, P., and Chinnasamy, P. (2021). Detection of distributed denial of service attacks in sdn using machine learning techniques. In 2021 International Conference on Computer Communication and Informatics (ICCCI), pages 1–5.