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

Riepilogo Tecnico: Sicurezza Informatica basata su Blockchain per il Rilevamento e la Protezione da Attacchi Denial of Service (DoS)

Problematica
Il documento affronta la crescente vulnerabilità delle architetture di rete client-server agli attacchi Denial of Service (DoS). I meccanismi di sicurezza informatica tradizionali, inclusi firewall, software antivirus, sistemi di rilevamento delle intrusioni (IDS) e i modelli esistenti di Intelligenza Artificiale (AI), Machine Learning (ML) e Deep Learning (DL), sono identificati come insufficienti. Gli autori sostengono che questi sistemi convenzionali si affidano pesantemente a strutture centralizzate, le quali creano singoli punti di vulnerabilità (single points of failure) e li rendono obiettivi attraenti per gli attori malintenzionati. Inoltre, sebbene gli attuali modelli ML e DL dimostrino capacità nel rilevare gli attacchi DoS, spesso mancano della capacità intrinseca di proteggere attivamente o prevenire l'attacco dal interrompere la rete. Lo studio evidenzia le lacune nelle ricerche precedenti, tra cui l'uso limitato di dataset, ambiti di attacco ristretti, problemi di classificazione errata (ad esempio, confondere UDP con NetBIOS) e una mancanza di meccanismi di prevenzione integrati.

Metodologia
Lo studio propone un framework ibrido che unifica la tecnologia Blockchain con i normali strati di rete client-server per creare un sistema di difesa decentralizzato. La metodologia prevede i seguenti componenti chiave:

1. Framework Concettuale: Uno strato di Blockchain permissionata è posizionato tra la sorgente della richiesta del client e il server. Questo strato funge da filtro e guardiano. Tutte le richieste in entrata devono essere autenticate e validate dalla rete Blockchain prima di essere inoltrate al livello client-server.
2. Logica degli Smart Contract: Il meccanismo di protezione centrale si basa su uno Smart Contract programmato con una soglia specifica (impostata a 1.000 richieste al secondo per indirizzo IP). Se un singolo IP supera questa soglia, lo Smart Contract identifica automaticamente l'evento come un attacco DoS e blocca l'indirizzo IP.
3. Integrazione del Machine Learning: Per ottimizzare il rilevamento, gli autori hanno addestrato e valutato otto diversi modelli (ANN, CNN, KNN, LSTM, SVM, Random Forest e due modelli ibridi) utilizzando il dataset CIC-DDoS2019. Il dataset è stato pre-elaborato utilizzando la tecnica SMOTE per gestire lo squilibrio delle classi.
4. Ambiente di Simulazione: Il prototipo è stato implementato utilizzando una combinazione di strumenti tra cui Ganache (per l'emulazione locale della blockchain Ethereum), Truffle, Solidity (per gli smart contract), NS-3 (per la simulazione di rete) e vari IDE (Google Colab, VSCode, Jupyter). È stata sviluppata una dashboard interattiva personalizzata per visualizzare in tempo reale il traffico, gli IP bloccati e le metriche di sistema.

Contributi Chiave

• Architettura di Protezione Decentralizzata: Il documento introduce un modello in cui lo strato Blockchain funge da guardiano immutabile e decentralizzato, impedendo al traffico malevolo di raggiungere il server centrale.
• Mitigazione Automatica: A differenza dei sistemi tradizionali che si limitano al rilevamento, questo framework utilizza gli Smart Contract per eseguire automaticamente azioni di blocco basate su regole pre-programmate, riducendo così l'impatto dell'attacco in tempo reale.
• Valutazione Completa: Lo studio espande le metriche di valutazione oltre la semplice accuratezza del rilevamento. Include parametri per la minimizzazione degli attacchi DoS, la capacità di prevenzione, la latenza, il throughput, l'utilizzo di CPU/memoria e le curve AUC/ROC.
• Confronto tra Modelli: La ricerca fornisce un'analisi comparativa di otto modelli ML/DL per identificare l'algoritmo più efficace per il rilevamento DoS all'interno di questo specifico contesto blockchain.

Risultati
I risultati sperimentali, basati sul dataset CIC-DDoS2019, indicano quanto segue:

• Miglior Modello Prestazionale: Il modello di Rete Neurale Convoluzionale (CNN) ha dimostrato prestazioni superiori rispetto agli altri modelli (inclusi Random Forest, XGBoost e modelli ibridi).
• Accuratezza e Prevenzione: Il modello CNN ha raggiunto un'accuratezza di rilevamento degli attacchi DoS del 98,3% e una capacità di prevenzione/minimizzazione del 100%. Al contrario, altri modelli, come Random Forest, hanno mostrato un'alta accuratezza di rilevamento (99%) ma una capacità di prevenzione inferiore (83,83%).
• Metriche di Prestazione: Il sistema ha dimostrato una latenza media di circa 48,48 millisecondi attraverso i modelli testati. Il modello CNN ha mostrato un valore di Area Under Curve (AUC) perfetto di 1 per tutte le classi, indicando una categorizzazione pura.
• Esiti della Simulazione: Nell'ambiente simulato, quando le richieste dei client hanno superato la soglia di 1.000 richieste, il sistema ha identificato con successo l'attacco, ha bloccato l'IP sorgente tramite lo Smart Contract e ha ridotto il carico di traffico, come visualizzato nella dashboard interattiva.

Significatività e Rivendicazioni
Gli autori affermano che questo studio offre una soluzione robusta ai limiti dei sistemi di cybersecurity centralizzati. Sfruttando la natura decentralizzata e immutabile della Blockchain, il framework proposto non solo rileva le anomalie, ma previene attivamente l'interruzione del servizio. Il documento asserisce che l'integrazione degli Smart Contract della Blockchain con modelli ML ad alta accuratezza (specificamente la CNN) fornisce una "ottima scelta" per proteggere le reti client-server contro gli attacchi DoS.

Lo studio conclude che, sebbene il modello proposto sia altamente efficace in simulazione, il suo pieno potenziale risiede nell'implementazione nel mondo reale. Gli autori osservano con modestia che l'attuale dipendenza dal dataset CIC-DDoS2019 presenta limitazioni dovute alle sue dimensioni e allo squilibrio delle classi, e raccomandano lo sviluppo di un dataset più bilanciato e leggero per la ricerca futura. Essi riconoscono inoltre che l'implementazione di questa soluzione in un ambiente reale richiederebbe ingenti risorse hardware e software.