Aplicação de Redes Neurais com Seleção de Características para Detecção de Ataques DDoS em Ambientes IoT
Resumo
Os Ataques de Negação de Serviço Distribuídos (DDoS) têm afetado cada vez mais a efetivação de infraestruturas de rede baseadas em Internet das Coisas (IoT). Dessa forma, é necessário aplicar soluções que possam detectar DDoS em redes IoT, lidando com questões como escalabilidade, adaptabilidade e heterogeneidade. Dentro deste contexto, este trabalho apresenta um Sistema Cloud-Fog para Detecção de ataques DDoS em Redes IoT baseado em Redes Neurais (RN) e Técnicas de Seleção de Características, possibilitando a identificação da melhor composição de características para o treinamento do modelo, bem como a escalabilidade necessária. Os experimentos realizados, usando tráfego de rede real, sugerem que o sistema proposto atinge $99$\% de acurácia, enquanto reduz o volume de dados trocados e o tempo de detecção.
Downloads
Referências
Ahmed, E., Yaqoob, I., Gani, A., Imran, M., and Guizani, M. (2016). Internet-of-thingsbased
smart environments: state of the art, taxonomy, and open research challenges.
IEEE Wireless Communications, 23(5):10–16.
Al-Hadhrami, Y. and Hussain, F. K. (2021). Ddos attacks in iot networks: a comprehensive
systematic literature review. World Wide Web, pages 1–31.
Brun, O., Yin, Y., Augusto-Gonzalez, J., Ramos, M., and Gelenbe, E. (2018). Iot attack
detection with deep learning. In ISCIS Security Workshop.
Cviti´c, I., Perakovi´c, D., Periˇsa, M., and Botica, M. (2021). Novel approach for detection
of iot generated ddos traffic. Wireless Networks, 27(3):1573–1586.
Dao, N.-N., V. Phan, T., Sa’ad, U., Kim, J., Bauschert, T., Do, D.-T., and Cho, S. (2021).
Securing heterogeneous iot with intelligent ddos attack behavior learning. IEEE Systems
Journal, pages 1–10.
Doshi, R., Apthorpe, N., and Feamster, N. (2018). Machine learning ddos detection for
consumer internet of things devices. In 2018 IEEE Security and Privacy Workshops
(SPW), pages 29–35. IEEE.
Kaushik, S. (2016). Introduction to feature selection methods with an example (or how to
select the right variables?). Analytics Vidhya.
Kumar, P., Kumar, R., Gupta, G. P., and Tripathi, R. (2021). A distributed framework
for detecting ddos attacks in smart contract-based blockchain-iot systems by leveraging
fog computing. Transactions on Emerging Telecommunications Technologies,
(6):e4112.
Meidan, Y., Bohadana, M., Mathov, Y., Mirsky, Y., Shabtai, A., Breitenbacher, D., and
Elovici, Y. (2018). N-baiot—network-based detection of iot botnet attacks using deep
autoencoders. IEEE Pervasive Computing, 17(3):12–22.
Pisani, F., de Oliveira, F. M. C., Gama, E. S., Immich, R., Bittencourt, L. F., and Borin,
E. (2020). Fog computing on constrained devices: Paving the way for the future iot.
Sharafaldin, I., Lashkari, A. H., Hakak, S., and Ghorbani, A. A. (2019). Developing
realistic distributed denial of service (ddos) attack dataset and taxonomy. In 2019 International
Carnahan Conference on Security Technology (ICCST), pages 1–8. IEEE.
Yamauchi, M., Ohsita, Y., Murata, M., Ueda, K., and Kato, Y. (2019). Anomaly detection
for smart home based on user behavior. In 2019 IEEE International Conference on
Consumer Electronics (ICCE), pages 1–6. IEEE.
