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

तकनीकी सारांश: डिनायल ऑफ सर्विस (DoS) हमलों का पता लगाने और सुरक्षा के लिए ब्लॉकचेन-केंद्रित साइबर सुरक्षा

समस्या विवरण
यह शोध पत्र क्लाइंट-सर्वर नेटवर्क आर्किटेक्चर की डिनायल ऑफ सर्विस (DoS) हमलों के प्रति बढ़ती संवेदनशीलता को संबोधित करता है। पारंपरिक साइबर सुरक्षा तंत्र, जिनमें फायरवॉल, एंटीवायरस सॉफ़्टवेयर, घुसपैठ पहचान प्रणाली (IDS), और मौजूदा आर्टिफिशियल इंटेलिजेंस (AI), मशीन लर्निंग (ML), और डीप लर्निंग (DL) मॉडल शामिल हैं, को अपर्याप्त माना गया है। लेखक तर्क देते हैं कि ये पारंपरिक प्रणालियाँ अत्यधिक केंद्रीकृत संरचनाओं पर निर्भर करती हैं, जो 'सिंगल पॉइंट ऑफ फेल्योर' (एकल विफलता बिंदु) बनाती हैं और दुर्भावनापूर्ण तत्वों के लिए आकर्षक लक्ष्य बन जाती हैं। इसके अलावा, जबकि वर्तमान ML और DL मॉडल DoS हमलों का पता लगाने में सक्षम हैं, उनमें अक्सर नेटवर्क को बाधित करने वाले हमलों से सक्रिय रूप से रक्षा करने या उन्हें रोकने की अंतर्निहित क्षमता का अभाव होता है। यह अध्ययन पिछले शोध में मौजूद कमियों को उजागर करता है, जिसमें सीमित डेटासेट का उपयोग, संकीर्ण हमले का दायरा, गलत वर्गीकरण (जैसे UDP को NetBIOS समझना), और एकीकृत रोकथाम तंत्र की कमी शामिल है।

कार्यप्रणाली (Methodology)
अध्ययन एक हाइब्रिड फ्रेमवर्क का प्रस्ताव करता है जो एक विकेंद्रीकृत रक्षा प्रणाली बनाने के लिए ब्लॉकचेन तकनीक को मानक क्लाइंट-सर्वर नेटवर्क परतों के साथ एकीकृत करता है। इस कार्यप्रणाली में निम्नलिखित प्रमुख घटक शामिल हैं:

1. वैचारिक ढांचा (Conceptual Framework): एक परमिशन वाले (permissioned) ब्लॉकचेन स्तर को क्लाइंट अनुरोध स्रोत और सर्वर के बीच स्थित किया गया है। यह स्तर एक फिल्टर और गार्ड के रूप में कार्य करता है। क्लाइंट-सर्वर परत को आगे भेजने से पहले सभी इनकमिंग अनुरोधों को ब्लॉकचेन नेटवर्क द्वारा प्रमाणित और सत्यापित किया जाना चाहिए।
2. स्मार्ट कॉन्ट्रैक्ट लॉजिक: मुख्य सुरक्षा तंत्र एक स्मार्ट कॉन्ट्रैक्ट पर आधारित है जिसे एक विशिष्ट थ्रेशोल्ड (प्रति आईपी एड्रेस प्रति सेकंड 1,000 अनुरोधों पर सेट) के साथ प्रोग्राम किया गया है। यदि कोई एकल आईपी इस सीमा को पार करता है, तो स्मार्ट कॉन्ट्रैक्ट स्वचालित रूप से इसे DoS हमला पहचानता है और उस आईपी एड्रेस को ब्लॉक कर देता है।
3. मशीन लर्निंग एकीकरण: डिटेक्शन को अनुकूलित करने के लिए, लेखकों ने CIC-DDoS2019 डेटासेट का उपयोग करके आठ अलग-अलग मॉडलों (ANN, CNN, KNN, LSTM, SVM, Random Forest, और दो हाइब्रिड मॉडल) को प्रशिक्षित और मूल्यांकित किया। क्लास असंतुलन (class imbalance) को संभालने के लिए SMOTE तकनीक का उपयोग करके डेटासेट को प्रीप्रोसेस किया गया था।
4. सिमुलेशन वातावरण: प्रोटोटाइप को Ganache (स्थानीय एथेरियम ब्लॉकचेन इम्यूलेशन के लिए), Truffle, Solidity (स्मार्ट कॉन्ट्रैक्ट्स के लिए), NS-3 (नेटवर्क सिमुलेशन के लिए), और विभिन्न IDEs (Google Colab, VSCode, Jupyter) के संयोजन का उपयोग करके कार्यान्वित किया गया। वास्तविक समय के ट्रैफ़िक, ब्लॉक किए गए आईपी और सिस्टम मेट्रिक्स को विज़ुअलाइज़ करने के लिए एक कस्टम इंटरैक्टिव डैशबोर्ड विकसित किया गया।

प्रमुख योगदान

• विकेंद्रीकृत सुरक्षा आर्किटेक्चर: यह पत्र एक ऐसा मॉडल पेश करता है जहाँ ब्लॉकचेन स्तर एक अपरिवर्तनीय, विकेंद्रीकृत गेटकीपर के रूप में कार्य करता है, जो केंद्रीय सर्वर तक पहुँचने वाले दुर्भावनापूर्ण ट्रैफ़िक को रोकता है।
• स्वचालित शमन (Automated Mitigation): पारंपरिक प्रणालियों के विपरीत जो केवल पता लगाती हैं, यह फ्रेमवर्क पूर्व-निर्धारित नियमों के आधार पर ब्लॉकिंग क्रियाएं स्वतः निष्पादित करने के लिए स्मार्ट कॉन्ट्रैक्ट्स का उपयोग करता है, जिससे हमले के प्रभाव को वास्तविक समय में कम किया जा सके।
• व्यापक मूल्यांकन: अध्ययन केवल डिटेक्शन सटीकता से परे मूल्यांकन मेट्रिक्स का विस्तार करता है। इसमें DoS हमले का न्यूनीकरण, रोकथाम क्षमता, लेटेंसी (latency), थ्रूपुट, CPU/मेमोरी उपयोग, और AUC/ROC कर्व्स जैसे पैरामीटर शामिल हैं।
• मॉडल तुलना: यह शोध इस विशिष्ट ब्लॉकचेन संदर्भ के भीतर DoS डिटेक्शन के लिए सबसे प्रभावी एल्गोरिदम की पहचान करने हेतु आठ ML/DL मॉडलों का तुलनात्मक विश्लेषण प्रदान करता है।

परिणाम
CIC-DDoS2019 डेटासेट पर आधारित प्रायोगिक परिणाम निम्नलिखित संकेत देते हैं:

• सर्वश्रेष्ठ प्रदर्शन करने वाला मॉडल: कन्वेन्शनल न्यूरल नेटवर्क (CNN) मॉडल ने अन्य मॉडलों (Random Forest, XGBoost और हाइब्रिड मॉडल सहित) की तुलना में बेहतर प्रदर्शन किया।
• सटीकता और रोकथाम: CNN मॉडल ने DoS हमले का पता लगाने की 98.3% सटीकता और 100% रोकथाम/न्यूनीकरण क्षमता हासिल की। इसके विपरीत, Random Forest जैसे अन्य मॉडलों ने उच्च डिटेक्शन सटीकता (99%) तो दिखाई, लेकिन कम रोकथाम क्षमता (83.83%) प्रदर्शित की।
• प्रदर्शन मेट्रिक्स: सिस्टम ने परीक्षण किए गए मॉडलों में औसतन लगभग 48.48 मिलीसेकंड की लेटेंसी प्रदर्शित की। CNN मॉडल ने सभी वर्गों के लिए 1 का पूर्ण एरिया अंडर कर्व (AUC) मान दिखाया, जो शुद्ध वर्गीकरण का संकेत देता है।
• सिमुलेशन परिणाम: सिम्युलेटेड वातावरण में, जब क्लाइंट अनुरोध 1,000-अनुरोध थ्रेशोल्ड से अधिक हो गए, तो सिस्टम ने सफलतापूर्वक हमले की पहचान की, स्मार्ट कॉन्ट्रैक्ट के माध्यम से स्रोत आईपी को ब्लॉक किया, और ट्रैफ़िक लोड को कम किया, जैसा कि इंटरैक्टिव डैशबोर्ड में विज़ुअलाइज़ किया गया।

महत्व और दावे
लेखक दावा करते हैं कि यह अध्ययन केंद्रीकृत साइबर सुरक्षा प्रणालियों की सीमाओं के समाधान के रूप में एक मजबूत विकल्प प्रदान करता है। ब्लॉकचेन की विकेंद्रीकृत और अपरिवर्तनीय प्रकृति का लाभ उठाकर, प्रस्तावित फ्रेमवर्क न केवल विसंगतियों का पता लगाता है बल्कि सेवा व्यवधान को सक्रिय रूप से रोकता है। यह पत्र स्पष्ट करता है कि उच्च-सटीकता वाले ML मॉडलों (विशेष रूप से CNN) के साथ ब्लॉकचेन स्मार्ट कॉन्ट्रैक्ट्स का एकीकरण, क्लाइंट-सर्वर नेटवर्क को DoS हमलों से सुरक्षित करने के लिए एक "बेहतरीन विकल्प" प्रदान करता है।

अध्ययन निष्कर्ष निकालता है कि यद्यपि प्रस्तावित मॉडल सिमुलेशन में अत्यधिक प्रभावी है, इसकी पूर्ण क्षमता वास्तविक दुनिया के कार्यान्वयन में निहित है। लेखक विनम्रतापूर्वक नोट करते हैं कि CIC-DDoS2019 डेटासेट पर वर्तमान निर्भरता इसके आकार और क्लास असंतुलन के कारण सीमाओं को प्रस्तुत करती है, और वे भविष्य के शोध के लिए अधिक संतुलित, लाइटवेट डेटासेट विकसित करने की सिफारिश करते हैं। वे यह भी स्वीकार करते हैं कि इस समाधान को वास्तविक दुनिया के वातावरण में तैनात करने के लिए महत्वपूर्ण हार्डवेयर और सॉफ्टवेयर संसाधनों की आवश्यकता होगी।