Resumo Técnico: Inferência de Mecanismos de Defesa na Camada de Roteamento a partir de Comportamento Observável em MANETs baseadas em OLSR

1. Declaração do Problema

Redes Ad Hoc Móveis (MANETs) que utilizam protocolos de roteamento proativos como o Optimized Link State Routing (OLSR) são vulneráveis a ataques na camada de roteamento, como o Isolamento de Nó. Embora existam pesquisas significativas sobre a detecção desses ataques, há uma lacuna crítica na compreensão de se mecanismos de defesa implantados podem ser detectados por um adversário.

O problema central abordado é se um adversário passivo, observando apenas o tráfego do plano de controle e do plano de dados externamente disponível, pode inferir a presença de uma defesa na camada de roteamento. Isso é particularmente desafiador para defesas "não intrusivas", como o mecanismo de Mitigação Fictícia, que operam inteiramente dentro de mensagens de protocolo padrão (ex: HELLO, TC) sem introduzir novos tipos de pacotes. Se um atacante puder detectar a presença de uma defesa, ele pode decidir estrategicamente se lança um ataque, se o adia ou se adapta suas táticas para evitar a detecção.

2. Metodologia

Mecanismo de Defesa e Cenário

O estudo avalia a detectabilidade do mecanismo de Mitigação Fictícia, projetado para combater Ataques de Isolamento de Nó em OLSR.

• Ataque: Um adversário manipula a seleção de Multi-Point Relay (MPR) para desconectar um nó vítima.
• Defesa: Os nós monitoram a consistência topológica em sua vizinhança de 2 saltos (2-hop). Ao detectar contradições, eles injetam nós "fictícios" na topologia percebida via mensagens HELLO e TC para restaurar a conectividade.
• Modelo de Observação: O adversário é modelado como um observador passivo que intercepta transmissões sem fio. Ele não possui acesso a estados internos dos nós (tabelas de roteamento, contadores MAC) ou métricas de hardware (energia, mobilidade física).

Simulação e Coleta de Dados

• Simulador: ns-3 com 50 nós em uma área de 750 × 1000 m².
• Configurações: Dois regimes foram testados: Estático (posições constantes) e Móvel (RandomWalk2dMobilityModel, 1.5–2.0 m/s).
• Regimes Operacionais: Quatro cenários foram simulados para cada execução:
  1. Baseline (benigno)
  2. Apenas Ataque
  3. Apenas Defesa
  4. Ataque-Defesa Combinado
• Dataset: 10.000 execuções de simulação válidas por configuração (total de 20.000 execuções), gerando 80.000 amostras rotuladas (40.000 por configuração). Cada execução produziu quatro janelas de medição de 40 segundos.

Engenharia de Atributos (Feature Engineering)

Os atributos foram derivados estritamente de tráfego externamente observável (mensagens do plano de controle: TC, MID, HNA, HELLO; e estatísticas de fluxo do plano de dados).

• Métricas Base: 33 métricas foram retidas de um conjunto inicial de 46, excluindo dados internos/dependentes de hardware.
• Categorias:
  1. Anomalias do Plano de Controle: Taxas de pacotes de controle, estrutura de mensagens TC (frequência, links por mensagem), Carga de Roteamento Normalizada (NRL) e Razão de Overhead de Roteamento.
  2. Estabilidade de Desempenho: Razão de Entrega de Pacotes (PDR), Throughput, Latência, Jitter.
  3. Interações de Engenharia: Razões e transformações não lineares (ex: Razão Controle-Dados, Taxa de Disseminação de Topologia).
• Seleção: Os atributos foram filtrados via análise de variância e correlação, e então classificados por quatro critérios de importância (Informação Mútua, estatística F de ANOVA, Random Forest, ExtraTrees).

Estrutura de Classificação

• Tarefa: Classificação binária (Defesa Ativa vs. Defesa Inativa).
• Modelos: Doze classificadores foram avaliados, incluindo ensembles de árvores (Random Forest, XGBoost, CatBoost, LightGBM), meta-estimadores de boosting/bagging, modelos lineares (Regressão Logística, Ridge) e SVM.
• Ensemble: Um ensemble de empilhamento (stacking) de dois níveis foi construído usando saídas probabilísticas dos modelos base.
• Avaliação: Divisão de 60/20/20 para treino/validação/teste ao nível da execução da simulação para evitar vazamento de dados (data leakage). O desempenho foi medido via Acurácia, F1 e AUC, com intervalos de confiança de 95% estimados via reamostragem bootstrap de cluster.

3. Resultados Principais

Desempenho Intra-Domínio

• Viabilidade: A detecção de defesa é viável. Modelos de ensemble alcançaram alta acurácia tanto no regime estático quanto no móvel.
  • Estático: Acurácia do Stacking Ensemble = 0.8874 (AUC 0.9454).
  • Móvel: Acurácia do Stacking Ensemble = 0.9095 (AUC 0.9594).
• Impacto da Mobilidade: Contrariando a intuição, o desempenho do ensemble melhorou sob mobilidade. Enquanto modelos lineares (ex: Regressão Logística) colapsaram sob mobilidade (caindo para ~0.55 de acurácia), os ensembles de árvores aproveitaram a maior complexidade do espaço de atributos conjunto para melhorar a discriminação.
• Dinâmica de Atributos: Sob mobilidade, a separabilidade univariada de atributos de atraso/jitter degradou significativamente (Cohen's d caiu de ~1.1 para ~0.2), mas a separabilidade conjunta multivariada (distância de Mahalanobis e razão LDA) aumentou, o que os modelos de ensemble exploraram com sucesso.

Generalização Cross-Domínio

• Assimetria: Usando o conjunto completo de 33 atributos, a transferência cross-domínio foi altamente assimétrica:
  • Móvel → Estático: Robusta (Acurácia ≈ 0.84).
  • Estático → Móvel: Pobre (Acurácia ≈ 0.67).
• Subconjunto Invariante (Universal-4): Ao restringir o modelo a um subconjunto compacto de quatro atributos, a generalização cross-domínio tornou-se quase simétrica e robusta:
  • Estático → Móvel: 0.8639
  • Móvel → Estático: 0.8589
  • Atributos: Contagem média de MPR, Média de Links Anunciados por Mensagem TC, Taxa de Pacotes de Dados MAC e Desvio Padrão do Throughput de Fluxo.
• Análise de Ablação: A degradação no conjunto completo foi impulsionada principalmente por métricas de atraso e jitter, que são altamente sensíveis à mudança de rotas induzida pela mobilidade. Remover esses seis atributos restaurou o desempenho na direção Estático → Móvel sem afetar significativamente a direção Móvel → Estático.

4. Contribuições e Significância

Principais Contribuições

1. Demonstração de Detectabilidade: O artigo fornece evidências empíricas de que mesmo defesas não intrusivas e conformes ao protocolo (como a Mitigação Fictícia) deixam uma pegada estatística no comportamento de roteamento observável que pode ser detectada por adversários passivos.
2. Análise Cross-Domínio: Identifica uma assimetria crítica na detecção de defesa entre os regimes estático e móvel, mostrando que modelos treinados em dados estáticos falham em generalizar para ambientes móveis, a menos que sejam restritos a atributos invariantes.
3. Descoberta de Atributos Invariantes: O estudo isola um conjunto mínimo de quatro atributos (Universal-4) que mantêm alta acurácia de detecção tanto em condições estáticas quanto móveis, sugerindo que mudanças estruturais no nível do protocolo (seleção de MPR, anúncio de topologia) são indicadores mais robustos do que métricas de desempenho (latência/jitter).

Significância e Alegações

Os autores afirmam que suas descobertas têm implicações estratégicas para a segurança de MANETs:

• Capacidade de Reconhecimento: Os resultados indicam que adversários podem usar a observação passiva para inferir a presença de defesas na camada de roteamento. Isso permite que atacantes tomem decisões informadas sobre se prosseguem com um ataque, potencialmente adiando ou adaptando sua estratégia para evitar disparar a defesa.
• Implicações de Design: O estudo sugere que o design de mecanismos de segurança de camada de roteamento deve considerar a observabilidade. Mesmo que uma defesa não introduza novos tipos de pacotes, as mudanças comportamentais agregadas que ela induz podem ser estatisticamente distinguíveis.
• Limitações: Os autores notam modestamente que os achados são específicos para o protocolo OLSR e o cenário de ataque de Isolamento de Nó. Eles não alegam que todas as defesas são detectáveis ou que esses atributos específicos se aplicam universalmente a todos os mecanismos de defesa de MANET sem validação adicional.

Em conclusão, o artigo estabelece que a inferência de defesa é uma capacidade de reconhecimento viável em MANETs, impulsionada por desvios estatísticos sutis na dinâmica do plano de controle que persistem mesmo sob restrições rigorosas de observabilidade passiva.