Framework de Detecção de Ataques DDoS na Camada de Aplicação com Uso de Machine Learning e Big Data

• Digenaldo de Brito Rangel Neto IFPB http://orcid.org/0009-0005-3607-548X
• Paulo Ditarso Maciel Jr. IFPB http://orcid.org/0000-0002-0732-752X

DOI: https://doi.org/10.5753/wgrs.2025.8757

Resumo

A crescente ameaça de ataques DDoS na camada de aplicação e o avanço contínuo das técnicas utilizadas por atacantes ressaltam a urgência de desenvolver métodos eficazes de detecção para proteger sistemas em rede. Este trabalho propõe um framework de detecção baseado em aprendizado de máquina, integrado com técnica de Feature Importance baseada em correlação e suporte de ferramenta de big data. Quatro algoritmos — Naive Bayes, Decision Tree, Logistic Regression e Random Forest — foram avaliados em relação à acurácia e ao tempo de execução. Os resultados destacam a eficácia da abordagem, demonstrando ganhos significativos de eficiência computacional e precisão preditiva, particularmente após a aplicação da técnica de seleção de variáveis. Esta solução robusta e adaptável apresenta-se como uma contribuição relevante para fortalecer a segurança de infraestruturas críticas diante de um panorama cibernético cada vez mais dinâmico e desafiador.

Palavras-chave: Redes de computadores, Cibersegurança, DDoS, Camada de aplicação

Referências

Alkasassbeh, M. (2018). A novel hybrid method for network anomaly detection based on traffic prediction and change point detection. arXiv preprint arXiv:1801.05309.

Awan, M. et al. (2021). Real-Time DDoS Attack Detection System using Big Data Approach. Sustainability 2021, 131, 10743.

Chaudhary, A. and Shrimal, G. (2019). Intrusion detection system based on genetic algorithm for detection of distribution denial of service attacks in MANETs. In Proc. of Int. Conf. on Sustainable Computing in Science, Technology and Management (SUSCOM), Jaipur-India.

Cloudflare Blog (2022a). DDoS Attack Trends for 2022 Q1. [link]. Acessado em 14/11/24.

Cloudflare Blog (2022b). DDoS Attack Trends for 2022 Q2. [link]. Acessado em 14/11/24.

Gong, C. et al. (2019). An improved quantum genetic algorithms and application for ddos attack detection. In 2019 IEEE Int. Conf. on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking, pages 427–434. IEEE.

Google Cloud Blog (2023). Google cloud mitigated largest ddos attack peaking above 398 million rps. [link]. Acessado em 14/11/24.

Imperva Blog (2022). 81% Increase in Large Volume DDoS Attacks. [link]. Acessado em 14/11/24.

Kebede, S. D., Tiwari, B., Tiwari, V., and Chandravanshi, K. (2022). Predictive machine learning-based integrated approach for ddos detection and prevention. Multimedia Tools and Applications, 81(3):4185–4211.

Kumar, V., Sharma, H., et al. (2018). Detection and analysis of ddos attack at application layer using naive bayes classifier. Journal of Computer Engineering & Technology, 9(3):208–217.

Praseed, A. and Thilagam, P. S. (2018). Ddos attacks at the application layer: Challenges and research perspectives for safeguarding web applications. IEEE Communications Surveys & Tutorials, 21(1):661–685.

Praseed, A. and Thilagam, P. S. (2021). Modelling behavioural dynamics for asymmetric application layer ddos detection. IEEE Transactions on Information Forensics and Security, 16:617–626.

Rahal, B. M., Santos, A., and Nogueira, M. (2020). A distributed architecture for ddos prediction and bot detection. IEEE Access, 8:159756–159772.

Raj, R. and Kang, S. S. (2022). Mitigating ddos attack using machine learning approach in sdn. In 2022 4th International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), pages 462–467. IEEE.

Sarraf, S. et al. (2020). Analysis and detection of ddos attacks using machine learning techniques. Am. Sci. Res. J. Eng. Technol. Sci, 66(1):95–104.

Yadav, S. and Selvakumar, S. (2015). Detection of application layer ddos attack by modeling user behavior using logistic regression. In 2015 4th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO)(Trends and Future Directions), pages 1–6. IEEE.