Blockchain-focused Cyber Security for the Detection and Protection of Denial of Service (DoS) Attacks

Technisches Resümee: Blockchain-fokussierte Cybersicherheit zur Erkennung und zum Schutz vor Denial-of-Service (DoS)-Angriffen

Problemstellung
Die vorliegende Arbeit befasst sich mit der wachsenden Anfälligkeit von Client-Server-Netzwerkarchitekturen gegenüber Denial-of-Service (DoS)-Angriffen. Traditionelle Cybersicherheitsmechanismen, einschließlich Firewalls, Antivirensoftware, Intrusion Detection Systemen (IDS) sowie bestehender Modelle der Künstlichen Intelligenz (KI), des Maschinellen Lernens (ML) und des Deep Learning (DL), werden als unzureichend identifiziert. Die Autoren argumentieren, dass diese konventionellen Systeme stark auf zentralisierten Strukturen basieren, was sie zu attraktiven Zielen für böswillige Akteure macht, da diese Single Points of Failure schaffen. Darüber hinaus fehlt es den aktuellen ML- und DL-Modellen, obwohl sie eine gute Fähigkeit zur Erkennung von DoS-Angriffen aufweisen, oft an der inhärenten Fähigkeit, den Angriff aktiv zu schützen oder zu verhindern, sodass dieser das Netzwerk nicht unterbricht. Die Studie hebt Lücken in der bisherigen Forschung hervor, darunter die begrenzte Nutzung von Datensätzen, enge Angriffs-Szenarien, Klassifizierungsfehler (z. B. Verwechslung von UDP mit NetBIOS) und ein Mangel an integrierten Präventionsmechanismen.

Methodik
Die Studie schlägt ein hybrides Framework vor, das die Blockchain-Technologie mit standardmäßigen Client-Server-Netzwerkschichten vereint, um ein dezentrales Verteidigungssystem zu schaffen. Die Methodik umfasst die folgenden Schlüsselkomponenten:

1. Konzeptionelles Framework: Eine Permissioned-Blockchain-Schicht wird zwischen der Quelle der Client-Anfragen und dem Server positioniert. Diese Schicht fungiert als Filter und Wächter. Alle eingehenden Anfragen müssen durch das Blockchain-Netzwerk authentifiziert und validiert werden, bevor sie an die Client-Server-Schicht weitergeleitet werden.
2. Smart-Contract-Logik: Der Kern des Schutzmechanismus basiert auf einem Smart Contract, der mit einem spezifischen Schwellenwert (festgesetzt auf 1.000 Anfragen pro Sekunde pro IP-Adresse) programmiert ist. Wenn eine einzelne IP diesen Schwellenwert überschreitet, identifiziert der Smart Contract dies automatisch als DoS-Angriff und sperrt die IP-Adresse.
3. Integration von Maschinellem Lernen: Um die Erkennung zu optimieren, haben die Autoren acht verschiedene Modelle (ANN, CNN, KNN, LSTM, SVM, Random Forest und zwei Hybridmodelle) unter Verwendung des CIC-DDoS2019-Datensatzes trainiert und evaluiert. Der Datensatz wurde mittels der SMOTE-Technik vorverarbeitet, um das Klassenungleichgewicht zu bewältigen.
4. Simulationsumgebung: Der Prototyp wurde unter Verwendung einer Kombination von Tools implementiert, darunter Ganache (zur lokalen Emulation der Ethereum-Blockchain), Truffle, Solidity (für Smart Contracts), NS-3 (für die Netzwerksimulation) sowie verschiedene IDEs (Google Colab, VSCode, Jupyter). Ein benutzerdefiniertes interaktives Dashboard wurde entwickelt, um den Echtzeitverkehr, blockierte IPs und Systemmetriken zu visualisieren.

Wesentliche Beiträge

• Dezentrale Schutzarchitektur: Die Arbeit führt ein Modell ein, bei dem die Blockchain-Schicht als unveränderlicher, dezentraler Gatekeeper dient und verhindert, dass bösartiger Datenverkehr den zentralen Server erreicht.
• Automatisierte Schadensbegrenzung: Im Gegensatz zu traditionellen Systemen, die lediglich erkennen, nutzt dieses Framework Smart Contracts, um basierend auf vorprogrammierten Regeln automatisch Sperrmaßnahmen auszuführen, wodurch die Auswirkungen des Angriffs in Echtzeit minimiert werden.
• Umfassende Evaluierung: Die Studie erweitert die Evaluierungsmetriken über die reine Erkennungsgenauigkeit hinaus. Sie umfasst Parameter für die Minimierung von DoS-Angriffen, die Präventionsfähigkeit, Latenz, Durchsatz, CPU-/Speicherauslastung sowie AUC/ROC-Kurven.
• Modellvergleich: Die Forschungsarbeit bietet eine vergleichende Analyse von acht ML/DL-Modellen, um den effektivsten Algorithmus für die DoS-Erkennung innerhalb dieses spezifischen Blockchain-Kontexts zu identifizieren.

Ergebnisse
Die experimentellen Ergebnisse, basierend auf dem CIC-DDoS2019-Datensatz, zeigen Folgendes:

• Bestperformendes Modell: Das Convolutional Neural Network (CNN) demonstrierte eine überlegene Leistung im Vergleich zu anderen Modellen (einschließlich Random Forest, XGBoost und Hybridmodellen).
• Genauigkeit und Prävention: Das CNN-Modell erreichte eine Genauigkeit bei der Erkennung von DoS-Angriffen von 98,3 % und eine Präventions-/Minimierungsfähigkeit von 100 %. Im Gegensatz dazu zeigten andere Modelle, wie etwa Random Forest, zwar eine hohe Erkennungsgenauigkeit (99 %), aber eine geringere Präventionsfähigkeit (83,83 %).
• Leistungsmetriken: Das System wies eine durchschnittliche Latenz von etwa 48,48 Millisekunden über die getesteten Modelle hinweg auf. Das CNN-Modell zeigte einen perfekten Area-Under-Curve (AUC)-Wert von 1 für alle Klassen, was auf eine reine Kategorisierung hindeutet.
• Simulationsergebnisse: In der simulierten Umgebung identifizierte das System den Angriff erfolgreich, wenn die Client-Anfragen den Schwellenwert von 1.000 überschritten, blockierte die Quell-IP via Smart Contract und reduzierte die Verkehrslast, wie im interaktiven Dashboard visualisiert wurde.

Bedeutung und Behauptungen
Die Autoren behaupten, dass diese Studie eine robuste Lösung für die Einschränkungen zentralisierter Cybersicherheitssysteme bietet. Durch die Nutzung der dezentralen und unveränderlichen Natur der Blockchain bietet das vorgeschlagene Framework nicht nur eine Erkennung von Anomalien, sondern verhindert aktiv die Dienstunterbrechung. Die Arbeit stellt fest, dass die Integration von Blockchain-Smart-Contracts mit hochpräzisen ML-Modellen (insbesondere CNN) eine „große Wahl“ zur Sicherung von Client-Server-Netzwerken gegen DoS-Angriffe darstellt.

Die Studie kommt zu dem Schluss, dass das vorgeschlagene Modell in der Simulation zwar hocheffektiv ist, sein volles Potenzial jedoch in der Implementierung unter Realbedingungen liegt. Die Autoren merken bescheiden an, dass die derzeitige Abhängigkeit vom CIC-DDoS2019-Datensatz aufgrund seiner Größe und des Klassenungleichgewichts Einschränkungen mit sich bringt, und empfehlen die Entwicklung eines ausgewogeneren, leichtgewichtigen Datensatzes für die zukünftige Forschung. Sie räumen zudem ein, dass der Einsatz dieser Lösung in einer realen Umgebung erhebliche Hardware- und Softwareressourcen erfordern würde.