AVALIAÇÃO DE MODELOS COMPUTACIONAIS DE APRENDIZADO DE MÁQUINA PARA DETECÇÃO REATIVA E PREVENTIVA DE BOTNETS
E´ alarmante o aumento do nu´mero
de ataques ciberne´ticos nos u´ltimos anos.
Para realizar essas atividades, geralmente sa˜o
usadas botnets, que sa˜o redes de ma´quinas
infectadas, controladas remotamente. Na
detecc¸a˜o de botnets existem abordagens
reativa e preventiva, sendo a primeira mais
empregada. Esta abordagem implica em
maiores riscos, uma vez que o ataque precisou
ter in´ıcio para ser detectado. O objetivo deste
trabalho e´ avaliar modelos de aprendizado de
ma´quina supervisionado e na˜o supervisionado
para a detecc¸a˜o de botnets, tanto na forma
reativa quanto na preventiva, atrave´s do tra´fego
de controle que comanda uma botnet. Para
tal, foram extra´ıdos os atributos que melhor
representam a atividade de rede, de maneira
a alimentar uma selec¸a˜o de modelos de
aprendizado de ma´quina. A partir da ana´lise
dos resultados, identificou-se as caracter´ısticas
do tra´fego de rede e os algoritmos com melhor
desempenho nos cena´rios experimentados,
comparando-se a efica´cia na detecc¸a˜o
preventiva e reativa
AVALIAÇÃO DE MODELOS COMPUTACIONAIS DE APRENDIZADO DE MÁQUINA PARA DETECÇÃO REATIVA E PREVENTIVA DE BOTNETS
-
DOI: 10.22533/at.ed.78819110711
-
Palavras-chave: Botnet, Aprendizado de Ma´quina, DDoS.
-
Keywords: Botnet, Machine Learning, DDoS.
-
Abstract:
It is alarming the increase in the
number of cyber attacks in the last years. For
such, botnets, which are networks of remotely
controlled infected machines, are generally
used. In the detection of these botnets, there
are reactive and preventive approaches, where
the first is mostly used. This approach entails
greater risks, since the attack needs to start
in order to be detected. The aim of this work
is to evaluate supervised and unsupervised
machine learning models for botnet detection
both in reactive and preventive approches,
by inspecting the control traffic that rules the
botnet. For that, attributes that best represent
network activity were extracted in order to feed a
selection of machine learning models. From the analysis of the results, we identified the features of network traffic and algorithms that
better performed for the experimental scenarios, comparing the efficacy on preventive
and reactive detections.
-
Número de páginas: 15
- Sidney Cunha de Lucena
- Vinicius Oliveira de Souza
