A Comparative Study of Intrusion Detection Models for DDoS and Brute Force Attack Detection Using Public Cybersecurity Datasets
Questo studio propone un sistema di rilevamento delle intrusioni basato sull'apprendimento automatico utilizzando il dataset CICIDS2017 per rilevare attacchi DDoS e Brute Force, dimostrando che l'algoritmo XGBoost supera Random Forest e ANN raggiungendo quasi il 99,9975% di accuratezza e altre metriche chiave.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate Internet come una metropoli enorme e frenetica, dove miliardi di persone, dispositivi e servizi si parlano costantemente tra loro. In questa metropoli digitale, ci sono sempre dei malintenzionati che cercano di scatenare il caos. Alcuni di questi malintenzionati sono come una folla gigante che inonda una strada specifica con così tante persone che nessun altro riesce a passare; questo è chiamato un attacco DDoS. Altri sono come un borseggiatore che prova ogni singola chiave di un enorme mazzo per trovare quella che apre una porta chiusa a chiave; questo è un attacco Brute Force.
Per mantenere la città sicura, abbiamo delle guardie giurate chiamate Sistemi di Rilevamento delle Intrusioni (IDS). Per molto tempo, queste guardie hanno lavorato come bouncer con un poster dei "Ricercati". Potevano catturare i criminali solo se il volto del criminale era già sul poster. Se un nuovo criminale si presentava con un travestimento, il bouncer non sapeva come fermarlo. Per risolvere questo problema, gli scienziati hanno iniziato a insegnare a queste guardie a essere più intelligenti. Inveve di limitarsi a memorizzare i volti, hanno insegnato alle guardie a imparare dal comportamento della folla. Hanno usato il Machine Learning, un tipo di cervello informatico che studia milioni di esempi di traffico "buono" e "cattivo" finché non riesce a individuare da solo i modelli subdoli di un nuovo criminale. La grande domanda è: quale tipo di cervello intelligente funziona meglio nel catturare questi malintenzionati digitali?
Questo articolo si propone di trovare la risposta mettendo alla prova tre diversi tipi di "cervelli intelligenti". I ricercatori hanno utilizzato una biblioteca massiccia e realistica di registri di traffico digitale chiamata CICIDS2017, che contiene milioni di esempi di attività internet normali mescolate a vari attacchi. Hanno addestrato tre modelli specifici di machine learning su questi dati: Random Forest, XGBoost e Rete Neurale Artificiale (ANN). Potete pensare a Random Forest come a un comitato di molti detective diversi, ognuno dei quali esamina gli indizi e vota su chi sia il cattivo. XGBoost è come un detective che impara dai propri errori, costruendo una nuova strategia ogni volta che sbaglia un indizio finché non diventa perfetto. La Rete Neurale Artificiale è modellata sul cervello umano, con strati di connessioni che cercano di individuare schemi complessi, anche se può essere un po' sensibile al modo in cui gli indizi vengono presentati.
I ricercatori hanno sottoposto questi tre modelli allo stesso rigoroso addestramento e test per vedere quale potesse individuare gli attacchi DDoS e Brute Force con maggiore accuratezza. I risultati sono stati incredibilmente impressionanti. Tutti e tre i modelli erano eccellenti nel loro lavoro, ma XGBoost è emerso come il chiaro campione. Nei test, XGBoost ha raggiunto una sbalorditiva accuratezza, precisione, richiamo e punteggio F1 del 99,9975%. Ciò significa che ha identificato correttamente quasi ogni singolo attacco e quasi non ha mai commesso errori. Random Forest è stato un secondo classificato molto vicino, con prestazioni quasi altrettanto buone, mentre la Rete Neurale Artificiale è stata comunque molto brava, ma ha ottenuto un punteggio leggermente inferiore, attestandosi intorno al 99,9550%. Lo studio suggerisce che il leggero calo nelle prestazioni della Rete Neurale possa essere dovuto al fatto che è molto sensibile al modo in cui i dati vengono preparati, mentre i modelli basati sugli alberi come XGBoost e Random Forest hanno gestito i dati in modo più naturale.
In definitiva, l'articolo conclude che per catturare questi specifici tipi di attacchi informatici, lo stile a "comitato" di Random Forest e lo stile di "apprendimento dagli errori" di XGBoost sono gli strumenti più affidabili. Lo studio ha anche scoperto che i modelli prestavano maggiore attenzione a dettagli specifici su come i pacchetti di dati si muovevano all'indietro attraverso la rete, suggerendo che il modo in cui i dati tornano a un mittente è un indizio enorme per individuare problemi. Sebbene i ricercatori sottolineino che questi risultati si basano su un dataset specifico e non sul traffico internet live e in tempo reale, i risultati suggeriscono fortemente che questi metodi di apprendimento d'insieme (ensemble learning) sono altamente efficaci e potrebbero migliorare significamente il modo in cui proteggiamo le nostre città digitali in futuro.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.