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

Resumen Técnico: Ciberseguridad centrada en Blockchain para la detección y protección contra ataques de Denegación de Servicio (DoS)

Planteamiento del problema
El artículo aborda la creciente vulnerabilidad de las arquitecturas de red cliente-servidor ante los ataques de Denegación de Servicio (DoS). Los mecanismos de ciberseguridad tradicionales, incluyendo firewalls, software antivirus, Sistemas de Detección de Intrusiones (IDS) y los modelos actuales de Inteligencia Artificial (IA), Aprendizaje Automático (ML) y Aprendizaje Profundo (DL), se identifican como insuficientes. Los autores argumentan que estos sistemas convencionales dependen excesivamente de estructuras centralizadas, lo que crea puntos únicos de falla y los convierte en objetivos atractivos para actores malintencionados. Además, aunque los modelos actuales de ML y DL demuestran capacidad para detectar ataques DoS, a menudo carecen de la capacidad inherente para proteger o prevenir activamente el ataque para que no interrumpa la red. El estudio destaca las brechas en investigaciones previas, incluyendo el uso limitado de conjuntos de datos, alcances de ataque estrechos, problemas de clasificación errónea (por ejemplo, confundir UDP con NetBIOS) y una falta de mecanismos de prevención integrados.

Metodología
El estudio propone un marco híbrido que unifica la tecnología Blockchain con las capas estándar de la red cliente-servidor para crear un sistema de defensa descentralizado. La metodología involucra los siguientes componentes clave:

1. Marco Conceptual: Una capa de Blockchain con permisos se posiciona entre la fuente de la solicitud del cliente y el servidor. Esta capa actúa como un filtro y guardián. Todas las solicitudes entrantes deben ser autenticadas y validadas por la red Blockchain antes de ser transferidas a la capa cliente-servidor.
2. Lógica de Contratos Inteligentes (Smart Contracts): El mecanismo central de protección se basa en un Contrato Inteligente programado con un umbral específico (establecido en 1,000 solicitudes por segundo por dirección IP). Si una sola IP excede este umbral, el Contrato Inteligente identifica automáticamente un ataque DoS y bloquea la dirección IP.
3. Integración de Aprendizaje Automático: Para optimizar la detección, los autores entrenaron y evaluaron ocho modelos diferentes (ANN, CNN, KNN, LSTM, SVM, Random Forest y dos modelos híbridos) utilizando el conjunto de datos CIC-DDoS2019. El conjunto de datos fue preprocesado mediante la técnica SMOTE para manejar el desequilibrio de clases.
4. Entorno de Simulación: El prototipo se implementó utilizando una combinación de herramientas que incluyen Ganache (para la emulación local de la blockchain de Ethereum), Truffle, Solidity (para contratos inteligentes), NS-3 (para simulación de red) y varios IDEs (Google Colab, VSCode, Jupyter). Se desarrolló un panel interactivo personalizado para visualizar el tráfico en tiempo real, las IPs bloqueadas y las métricas del sistema.

Contribuciones Clave

• Arquitectura de Protección Descentralizada: El artículo introduce un modelo donde la capa de Blockchain sirve como un guardián inmutable y descentralizado, evitando que el tráfico malicioso alcance el servidor central.
• Mitigación Automatizada: A diferencia de los sistemas tradicionales que solo detectan, este marco utiliza Contratos Inteligentes para ejecutar automáticamente acciones de bloqueo basadas en reglas preprogramadas, minimizando así el impacto del ataque en tiempo real.
• Evaluación Exhaustiva: El estudio expande las métricas de evaluación más allá de la simple precisión de detección. Incluye parámetros para la minimización de ataques DoS, capacidad de prevención, latencia, rendimiento (throughput), utilización de CPU/memoria y curvas AUC/ROC.
• Comparación de Modelos: La investigación proporciona un análisis comparativo de ocho modelos de ML/DL para identificar el algoritmo más efectivo para la detección de DoS dentro de este contexto específico de blockchain.

Resultados
Los resultados experimentales, basados en el conjunto de datos CIC-DDoS2019, indican lo siguiente:

• Modelo con Mejor Desempeño: El modelo de Redes Neuronales Convolucionales (CNN) demostró un desempeño superior en comparación con otros modelos (incluyendo Random Forest, XGBoost y modelos híbridos).
• Precisión y Prevención: El modelo CNN logró una precisión de detección de ataques DoS del 98.3% y una capacidad de prevención/minimización del 100%. En contraste, otros modelos, como Random Forest, mostraron una alta precisión de detección (99%) pero una menor capacidad de prevención (83.83%).
• Métricas de Desempeño: El sistema demostró una latencia promedio de aproximadamente 48.48 milisegundos a través de los modelos probados. El modelo CNN mostró un valor de Área Bajo la Curva (AUC) perfecto de 1 para todas las clases, indicando una categorización pura.
• Resultados de la Simulación: En el entorno simulado, cuando las solicitudes de los clientes excedieron el umbral de 1,000 solicitudes, el sistema identificó con éxito el ataque, bloqueó la IP de origen mediante el Contrato Inteligente y redujo la carga de tráfico, tal como se visualizó en el panel interactivo.

Significancia y Reivindicaciones
Los autores afirman que este estudio ofrece una solución robusta a las limitaciones de los sistemas de ciberseguridad centralizados. Al aprovechar la naturaleza descentralizada e inmutable de Blockchain, el marco propuesto no solo detecta anomalías, sino que previene activamente la interrupción del servicio. El artículo sostiene que la integración de los Contratos Inteligentes de Blockchain con modelos de ML de alta precisión (específicamente CNN) proporciona una "gran elección" para asegurar las redes cliente-servidor contra ataques DoS.

El estudio concluye que, si bien el modelo propuesto es altamente efectivo en la simulación, su pleno potencial reside en la implementación en el mundo real. Los autores señalan modestamente que la dependencia actual del conjunto de datos CIC-DDoS2019 presenta limitaciones debido a su tamaño y desequilibrio de clases, y recomiendan el desarrollo de un conjunto de datos más equilibrado y ligero para futuras investigaciones. También reconocen que desplegar esta solución en un entorno real requeriría recursos significativos de hardware y software.