Please use this identifier to cite or link to this item: https://ri.ufs.br/jspui/handle/riufs/15022
Document Type: Dissertação
Title: Detecção de ataques DDoS em ambientes SDN/NFV utilizando algoritmos de aprendizagem de máquina não supervisionados em fluxos de dados
Authors: Almeida Neto, João Ribeiro de
Issue Date: 29-Sep-2021
Advisor: Ribeiro, Admilson Ribamar
Resumo : Segundo dados do Cisco Visual Networking Index (VNI), que visa realizar uma previsão realista baseada em vários níveis e fontes de dados reais, estima-se que o número total de ataques DDoS a nível global chegue a 14,5 milhões até 2022. Por esse motivo, fica evidente que é imprescindível se proteger de ataques do tipo DDoS. Dessa forma, há necessidade de que novas técnicas de proteção sejam desenvolvidas. Além disso, é preciso que as soluções levem em consideração os requisitos de desempenho e escalabilidade. Aliado a isso, ambientes baseados na arquitetura SDN/NFV permitem que os administradores de rede detectem e reajam aos ataques DDoS com mais eficiência. Isso porque o controle da rede é centralizado e é possível desenvolver recursos de análise de tráfego baseados em software. Esta dissertação analisa a eficiência e efetividade da utilização de algoritmos de aprendizagem de máquina não supervisionados que trabalham com a estratégia de fluxo de dados na detecção de ataques do tipo DDoS em ambientes SDN/NFV, por meio de uma análise comparativa. Primeiramente, foi realizado um Mapeamento Sistemático da Literatura, o qual serviu de embasamento para a realização de um primeiro experimento. Em seguida, foi realizada uma Revisão Sistemática da Literatura e foram incluídos os trabalhos que utilizassem aprendizagem de máquina não supervisionada na detecção de ataques DDoS e que trabalhassem com a estratégia de fluxo de dados, pois, essa característica é inerente ao ambiente SDN/NFV. Dessa maneira, os algoritmos escolhidos foram: BIRCH, Mini-batch k-means, Clustream, StreamKM++, DenStream e D-Stream. Após isso, foi montada uma plataforma para a execução do experimento, assim como foi desenvolvido um dataset para ser utilizado. Após a realização dos testes, foi realizada uma análise qualitativa e quantitativa sobre os resultados. A análise qualitativa objetivou comparar o quão efetivo são os algoritmos na detecção de ataques DDoS e a análise quantitativa visa comparar a eficiência, neste caso, a velocidade de processamento dos algoritmos nessa detecção. Os resultados obtidos mostram os algoritmos BIRCH, Mini-batch k-means, Clustream e StreamKM++ obtiveram acurácias em torno de 99%, enquanto DenStream e D-Stream alcançaram acurárias em torno de 79%. O menor tempo total de execução foi do algoritmo D-Stream, enquanto o maior tempo foi do StreamKM++. Em vista disso, os algoritmos que se destacaram foram D-Stream e Mini-batch k-means, já que aquele foi o algoritmo mais rápido e este obteve uma acurácia 25,18% maior que D-Stream.
Abstract: According to data from the Cisco Visual Networking Index (VNI), which aims to make a realistic forecast based on various levels and real data sources, it is estimated that the total number of DDoS attacks on a global level will reach 14.5 million by 2022. For this reason, it is essential to protect yourself from DDoS attacks. Thus, there is a need for new protection techniques to be developed. In addition, solutions need to take into account performance and scalability requirements. In addition, environments based on the SDN/NFV architecture allow network administrators to detect and react to DDoS attacks more efficiently. This is because network control is centralized and software-based traffic analysis capabilities can be developed. This dissertation analyzes the efficiency and effectiveness of using unsupervised machine learning algorithms that work with the data flow strategy in the detection of DDoS type attacks in SDN/NFV environments, through a comparative analysis. First, a Systematic Literature Mapping was carried out, which served as a basis for the realization of a first experiment. Then, a Systematic Literature Review was carried out, and works that used unsupervised machine learning to detect DDoS attacks and that worked with the data flow strategy were included, as this characteristic is inherent to the environment. SDN/NFV. Thus, the chosen algorithms were: BIRCH, Mini-batch k-means, Clustream, StreamKM++, DenStream, and D-Stream. After that, a platform was set up to run the experiment, as well as a dataset was developed. After performing the tests, a qualitative and quantitative analysis of the results was performed. The qualitative analysis aimed to compare how effective the algorithms are in detecting DDoS attacks and the quantitative analysis aimed to compare the efficiency, in this case, the processing speed of the algorithms in this detection. The results obtained show that the algorithms BIRCH, Mini-batch k-means, Clustream, and StreamKM++ obtained accuracy around 99%, while DenStream and D-Stream reached accuracy around 79%. The shortest total execution time was for the D-Stream algorithm, while the longest time was for StreamKM++. Because of this, the algorithms that stood out were D-Stream and Mini-batch k-means, since that was the fastest algorithm, and this one obtained an accuracy 25.18% higher than D-Stream.
Keywords: Computação
Software Defined Networking (SDN)
Network Functions Virtualization (NFV)
Distributed Denial of Service (DDoS)
Fluxo de dados
Aprendizagem de máquina
Segurança
Data stream
Machine learning
Security
Subject CNPQ: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Language: por
Institution: Universidade Federal de Sergipe
Program Affiliation: Pós-Graduação em Ciência da Computação
Citation: ALMEIDA NETO, João Ribeiro de. Detecção de ataques DDoS em ambientes SDN/NFV utilizando algoritmos de aprendizagem de máquina não supervisionados em fluxos de dados. 2021. 87 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Sergipe, São Cristóvão, 2021.
URI: https://ri.ufs.br/jspui/handle/riufs/15022
Appears in Collections:Mestrado em Ciência da Computação

Files in This Item:
File Description SizeFormat 
JOAO_RIBEIRO_ALMEIDA_NETO.pdf2,46 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.