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

Technische Samenvatting: Blockchain-georiënteerde Cyberbeveiliging voor de Detectie en Bescherming tegen Denial of Service (DoS) Aanvallen

Probleemstelling
Het artikel behandelt de groeiende kwetsbaarheid van client-server netwerkarchitecturen voor Denial of Service (DoS) aanvallen. Traditionele cybersecurity-mechanismen, waaronder firewalls, antivirussoftware, Intrusion Detection Systems (IDS) en bestaande Artificial Intelligence (AI), Machine Learning (ML) en Deep Learning (DL) modellen, worden geïdentificeerd als ontoereikend. De auteurs stellen dat deze conventionele systemen zwaar leunen op gecentraliseerde structuren, wat zorgt voor single points of failure en ze aantrekkelijke doelwitten maakt voor kwaadwillende actoren. Bovendien missen de huidige ML- en DL-modellen, hoewel ze in staat zijn tot het detecteren van DoS-aanvallen, vaak het inherente vermogen om actief te beschermen of de aanval te voorkomen dat deze het netwerk verstoort. De studie benadrukt hiaten in eerder onderzoek, waaronder beperkt datasetgebruik, een nauwe scope van aanvallen, classificatiefouten (bijv. het verwarren van UDP met NetBIOS) en een gebrek aan geïntegreerde preventiemechanismen.

Methodologie
De studie stelt een hybride framework voor dat Blockchain-technologie verenigt met standaard client-server netwerklagen om een gedecentraliseerd defensiesysteem te creëren. De methodologie omvat de volgende kerncomponenten:

1. Conceptueel Framework: Een permissioned Blockchain-laag wordt gepositioneerd tussen de bron van het cliëntverzoek en de server. Deze laag fungeert als een filter en bewaker. Alle inkomende verzoeken moeten worden geauthenticeerd en gevalideerd door het Blockchain-netwerk voordat ze naar de client-serverlaag worden doorgegeven.
2. Smart Contract Logica: Het kernmechanisme voor bescherming berust op een Smart Contract dat geprogrammeerd is met een specifieke drempelwaarde (gesteld op 1.000 verzoeken per seconde per IP-adres). Als een enkel IP-adres deze drempel overschrijdt, identificeert het Smart Contract dit automatisch als een DoS-aanval en blokkeert het het IP-adres.
3. Machine Learning Integratie: Om detectie te optimaliseren, hebben de auteurs acht verschillende modellen getraind en geëvalueerd (ANN, CNN, KNN, LSTM, SVM, Random Forest en twee hybride modellen) met behulp van de CIC-DDoS2019 dataset. De dataset werd voorbewerkt met de SMOTE-techniek om klassenonbalans aan te pakken.
4. Simulatieomgeving: Het prototype werd geïmplementeerd met een combinatie van tools, waaronder Ganache (voor lokale Ethereum blockchain emulatie), Truffle, Solidity (voor smart contracts), NS-3 (voor netwerksimulatie) en diverse IDE's (Google Colab, VSCode, Jupyter). Er is een aangepast interactief dashboard ontwikkeld om realtime verkeer, geblokkeerde IP's en systeemmetrieken te visualiseren.

Belangrijkste Bijdragen

• Gedecentraliseerde Beschermingsarchitectuur: Het artikel introduceert een model waarbij de Blockchain-laag dient als een onveranderlijke, gedecentraliseerde poortwachter die kwaadaardig verkeer voorkomt om de centrale server te bereiken.
• Geautomatiseerde Mitigatie: In tegen tegenstelling tot traditionele systemen die alleen detecteren, gebruikt dit framework Smart Contracts om automatisch blokkerende acties uit te voeren op basis van vooraf geprogrammeerde regels, waardoor de impact van de aanval in realtime wordt geminimaliseerd.
• Uitgebreide Evaluatie: De studie breidt de evaluatiemetrieken uit voorbij eenvoudige detectienauwkeurigheid. Het omvat parameters voor DoS-aanval minimalisatie, preventievermogen, latentie, doorvoer, CPU/geheugengebruik en AUC/ROC-curves.
• Modelvergelijking: Het onderzoek biedt een vergelijkende analyse van acht ML/DL-modellen om het meest effectieve algoritme voor DoS-detectie binnen deze specifieke blockchain-context te identificeren.

Resultaten
De experimentele resultaten, gebaseerd op de CIC-DDoS2019 dataset, wijzen op het volgende:

• Best Presterend Model: Het Convolutional Neural Network (CNN) model vertoonde een superieure prestatie vergeleken met andere modellen (inclusief Random Forest, XGBoost en hybride modellen).
• Nauwkeurigheid en Preventie: Het CNN-model behaalde een DoS-aanval detectienauwkeurigheid van 98,3% en een preventie/minimalisatievermogen van 100%. In contrast hiermee vertoonden andere modellen, zoals Random Forest, een hoge detectienauwkeurigheid (99%) maar een lager preventievermogen (83,83%).
• Prestatie-metrieken: Het systeem vertoonde een gemiddelde latentie van ongeveer 48,48 milliseconden over de geteste modellen. Het CNN-model vertoonde een perfecte Area Under Curve (AUC) waarde van 1 voor alle klassen, wat duidt op zuivere categorisering.
• Simulatie-uitkomsten: In de gesimuleerde omgeving, wanneer cliëntverzoeken de drempel van 1.000 verzoeken overschreden, identificeerde het systeem de aanval succesvol, blokkeerde het de bron-IP via het Smart Contract en verminderde het de verkeersbelasting, zoals gevisualiseerd in het interactieve dashboard.

Betekenis en Claims
De auteurs beweren dat deze studie een robuuste oplossing biedt voor de beperkingen van gecentraliseerde cybersecurity-systemen. Door gebruik te maken van de gedecentraliseerde en onveranderlijke aard van Blockchain, detecteert het voorgestelde framework niet alleen anomalieën, maar voorkomt het ook actief verstoringen van de dienstverlening. Het artikel stelt dat de integratie van Blockchain Smart Contracts met hoog-nauwkeurige ML-modellen (specifiek CNN) een "goede keuze" vormt voor het beveiligen van client-server netwerken tegen DoS-aanvallen.

De studie concludeert dat hoewel het voorgestelde model zeer effectief is in simulatie, het volledige potentieel ligt in de real-world implementatie. De auteurs merken bescheiden op dat de huidige afhankelijkheid van de CIC-DDoS2019 dataset beperkingen met zich meebrengt vanwege de omvang en klassenonbalans, en zij adviseren de ontwikkeling van een meer gebalanceerde, lichtgewicht dataset voor toekomstig onderzoek. Zij erkennen ook dat het implementeren van deze oplossing in een echte omgeving aanzienlijke hardware- en softwarebronnen vereist.