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

Résumé Technique : Cybersécurité axée sur la Blockchain pour la détection et la protection contre les attaques par déni de service (DoS)

Énoncé du problème
L'article traite de la vulnérabilité croissante des architectures réseau client-serveur face aux attaques par déni de service (DoS). Les mécanismes de cybersécurité traditionnels, incluant les pare-feu, les logiciels antivirus, les systèmes de détection d'intrusion (IDS) ainsi que les modèles existants d'intelligence artificielle (IA), d'apprentissage automatique (ML) et d'apprentissage profond (DL), sont identifiés comme insuffisants. Les auteurs soutiennent que ces systèmes conventionnels reposent lourdement sur des structures centralisées, ce qui crée des points de défaillance uniques et en fait des cibles attrayantes pour les acteurs malveillants. De plus, bien que les modèles actuels de ML et de DL démontrent une capacité de détection des attaques DoS, ils manquent souvent de la capacité intrinsèque à protéger activement ou à prévenir l'attaque pour éviter la perturbation du réseau. L'étude souligne les lacunes des recherches précédentes, notamment l'utilisation limitée de jeux de données, des périmètres d'attaque étroits, des problèmes de classification erronée (par exemple, confondre l'UDP avec le NetBIOS) et l'absence de mécanismes de prévention intégrés.

Méthodologie
L'étude propose un cadre hybride qui unifie la technologie Blockchain avec les couches standards du réseau client-serveur pour créer un système de défense décentralisé. La méthodologie comprend les composantes clés suivantes :

1. Cadre conceptuel : Une couche Blockchain à permission est positionnée entre la source de la requête client et le serveur. Cette couche agit comme un filtre et un garde. Toutes les requêtes entrantes doivent être authentifiées et validées par le réseau Blockchain avant d'être transmises à la couche client-serveur.
2. Logique de Smart Contract : Le mécanisme de protection central repose sur un Smart Contract programmé avec un seuil spécifique (fixé à 1 000 requêtes par seconde par adresse IP). Si une seule adresse IP dépasse ce seuil, le Smart Contract l'identifie automatiquement comme une attaque DoS et bloque l'adresse IP.
3. Intégration de l'Apprentissage Automatique : Pour optimiser la détection, les auteurs ont entraîné et évalué huit modèles différents (ANN, CNN, KNN, LSTM, SVM, Random Forest et deux modèles hybrides) en utilisant le jeu de données CIC-DDoS2019. Le jeu de données a été prétraité à l'aide de la technique SMOTE pour gérer le déséquilibre des classes.
4. Environnement de simulation : Le prototype a été implémenté à l'aide d'une combinaison d'outils incluant Ganache (pour l'émulation locale de la blockchain Ethereum), Truffle, Solidity (pour les smart contracts), NS-3 (pour la simulation réseau) et divers IDE (Google Colab, VSCode, Jupyter). Un tableau de bord interactif personnalisé a été développé pour visualiser le trafic en temps réel, les adresses IP bloquées et les métriques du système.

Principales contributions

• Architecture de protection décentralisée : L'article introduit un modèle où la couche Blockchain sert de gardien immuable et décentralisé, empênant le trafic malveillant d'atteindre le serveur central.
• Atténuation automatisée : Contra à de nombreux systèmes traditionnels qui ne font que détecter, ce cadre utilise des Smart Contracts pour exécuter automatiquement des actions de blocage basées sur des règles préprogrammées, minimisant ainsi l'impact de l'attaque en temps réel.
• Évaluation complète : L'étude étend les métriques d'évaluation au-delà de la simple précision de détection. Elle inclut des paramètres pour la minimisation des attaques DoS, la capacité de prévention, la latence, le débit, l'utilisation du CPU/mémoire et les courbes AUC/ROC.
• Comparaison de modèles : La recherche fournit une analyse comparative de huit modèles de ML/DL afin d'identifier l'algorithme le plus efficace pour la détection DoS dans ce contexte spécifique de blockchain.

Résultats
Les résultats expérimentaux, basés sur le jeu de données CIC-DDoS2019, indiquent les éléments suivants :

• Meilleur modèle performant : Le modèle de réseau de neurones convolutifs (CNN) a démontré une performance supérieure par rapport aux autres modèles (incluant Random Forest, XGBoost et les modèles hybrides).
• Précision et Prévention : Le modèle CNN a atteint une précision de détection d'attaque DoS de 98,3 % et une capacité de prévention/minimisation de 100 %. En revanche, d'autres modèles, tels que Random Forest, ont montré une précision de détection élevée (99 %) mais des capacités de prévention plus faibles (83,83 %).
• Métriques de performance : Le système a démontré une latence moyenne d'environ 48,48 millisecondes à travers les modèles testés. Le modèle CNN a affiché une valeur parfaite de l'Aire Sous la Courbe (AUC) de 1 pour toutes les classes, indiquant une catégorisation pure.
• Résultats de simulation : Dans l'environnement simulé, lorsque les requêtes clients ont dépassé le seuil de 1 000 requêtes, le système a identifié avec succès l'attaque, a bloqué l'IP source via le Smart Contract et a réduit la charge de trafic, comme illustré dans le tableau de bord interactif.

Signification et Revendications
Les auteurs affirment que cette étude offre une solution robuste aux limites des systèmes de cybersécurité centralisés. En exploitant la nature décentralisée et immuable de la Blockchain, le cadre proposé ne se contente pas de détecter les anomalies, mais prévient activement la perturbation du service. L'article soutient que l'intégration des Smart Contracts de la Blockchain avec des modèles de ML de haute précision (spécifiquement le CNN) constitue un "excellent choix" pour sécuriser les réseaux client-serveur contre les attaques DoS.

L'étude conclut que, bien que le modèle proposé soit hautement efficace en simulation, son plein potentiel réside dans une mise en œuvre réelle. Les auteurs notent modestement que la dépendance actuelle au jeu de données CIC-DDoS2019 présente des limites dues à sa taille et au déséquilibre des classes, et ils recommandent le développement d'un jeu de données plus équilibré et léger pour les recherches futures. Ils reconnaissent également que le déploiement de cette solution dans un environnement réel nécessiterait des ressources matérielles et logicielles importantes.