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

Resumo Técnico: Segurança Cibernética Focada em Blockchain para a Detecção e Proteção de Ataques de Negação de Serviço (DoS)

Problema
O artigo aborda a crescente vulnerabilidade das arquiteturas de rede cliente-servidor a ataques de Negação de Serviço (DoS). Os mecanismos tradicionais de segurança cibernética, incluindo firewalls, software antivírus, Sistemas de Detecção de Intrusão (IDS) e os atuais modelos de Inteligência Artificial (IA), Aprendizado de Máquina (ML) e Aprendizado Profundo (DL), são identificados como insuficientes. Os autores argumentam que esses sistemas convencionais dependem fortemente de estruturas centralizadas, o que cria pontos únicos de falha e os torna alvos atraentes para agentes maliciosos. Além disso, embora os modelos atuais de ML e DL demonstrem capacidade de detectar ataques DoS, eles frequentemente carecem da habilidade inerente de proteger ou prevenir ativamente o ataque de interromper a rede. O estudo destaca lacunas em pesquisas anteriores, incluindo o uso limitado de conjuntos de dados, escopos de ataque estreitos, problemas de classificação errônea (por exemplo, confundir UDP com NetBIOS) e a falta de mecanismos de prevenção integrados.

Metodologia
O estudo propõe um framework híbrido que unifica a tecnologia Blockchain com camadas padrão de rede cliente-servidor para criar um sistema de defesa descentralizado. A metodologia envolve os seguintes componentes principais:

1. Estrutura Conceitual: Uma camada de Blockchain permissionada é posicionada entre a fonte de requisição do cliente e o servidor. Esta camada atua como um filtro e guarda. Todas as requisições recebidas devem ser autenticadas e validadas pela rede Blockchain antes de serem passadas para a camada cliente-servidor.
2. Lógica de Smart Contract: O mecanismo central de proteção baseia-se em um Smart Contract programado com um limite específico (definido em 1.000 requisições por segundo por endereço IP). Se um único IP exceder esse limite, o Smart Contract identifica automaticamente um ataque DoS e bloqueia o endereço IP.
3. Integração de Aprendizado de Máquina: Para otimizar a detecção, os autores treinaram e avaliaram oito modelos diferentes (ANN, CNN, KNN, LSTM, SVM, Random Forest e dois modelos Híbridos) utilizando o conjunto de dados CIC-DDoS2019. O conjunto de dados foi pré-processado usando a técnica SMOTE para lidar com o desequilíbrio de classes.
4. Ambiente de Simulação: O protótipo foi implementado utilizando uma combinação de ferramentas, incluindo Ganache (para emulação local de blockchain Ethereum), Truffle, Solidity (para smart contracts), NS-3 (para simulação de rede) e vários IDEs (Google Colab, VSCode, Jupyter). Um dashboard interativo personalizado foi desenvolvido para visualizar o tráfego em tempo real, IPs bloqueados e métricas do sistema.

Principais Contribuições

• Arquitetura de Proteção Descentralizada: O artigo introduz um modelo onde a camada de Blockchain serve como um guardião imutável e descentralizado, impedindo que o tráfego malicioso atinja o servidor central.
• Mitigação Automatizada: Diferente dos sistemas tradicionais que apenas detectam, este framework utiliza Smart Contracts para executar automaticamente ações de bloqueio baseadas em regras pré-programadas, minimizando assim o impacto do ataque em tempo real.
• Avaliação Abrangente: O estudo expande as métricas de avaliação além da simples precisão de detecção. Inclui parâmetros para minimização de ataques DoS, capacidade de prevenção, latência, vazão (throughput), utilização de CPU/memória e curvas AUC/ROC.
• Comparação de Modelos: A pesquisa fornece uma análise comparativa de oito modelos de ML/DL para identificar o algoritmo mais eficaz para a detecção de DoS dentro deste contexto específico de blockchain.

Resultos
Os resultados experimentais, baseados no conjunto de dados CIC-DDoS2019, indicam o seguinte:

• Melhor Modelo de Desempenho: O modelo de Rede Neural Convolucional (CNN) demonstrou desempenho superior em comparação com outros modelos (incluindo Random Forest, XGBoost e modelos Híbridos).
• Precisão e Prevenção: O modelo CNN alcançou uma precisão de detecção de ataque DoS de 98,3% e uma capacidade de prevenção/minimização de 100%. Em contraste, outros modelos, como o Random Forest, mostraram alta precisão de detecção (99%), mas menor capacidade de prevenção (83,83%).
• Métricas de Desempenho: O sistema demonstrou uma latência média de aproximadamente 48,48 milissegundos entre os modelos testados. O modelo CNN apresentou um valor de Área Sob a Curva (AUC) perfeito de 1 para todas as classes, indicando categorização pura.
• Resultados da Simulação: No ambiente simulado, quando as requisições do cliente excederam o limite de 1.000 requisições, o sistema identificou com sucesso o ataque, bloqueou o IP de origem via Smart Contract e reduziu a carga de tráfego, conforme visualizado no dashboard interativo.

Significância e Alegações
Os autores afirmam que este estudo oferece uma solução robusta para as limitações dos sistemas de segurança cibernética centralizados. Ao aproveitar a natureza descentralizada e imutável do Blockchain, o framework proposto não apenas detecta anomalias, mas previne ativamente a interrupção do serviço. O artigo afirma que a integração de Smart Contracts de Blockchain com modelos de ML de alta precisão (especificamente CNN) fornece uma "excelente escolha" para proteger redes cliente-servidor contra ataques DoS.

O estudo conclui que, embora o modelo proposto seja altamente eficaz em simulação, seu pleno potencial reside na implementação no mundo real. Os autores observam modestamente que a dependência atual do conjunto de dados CIC-DDoS2019 apresenta limitações devido ao seu tamanho e desequilíbrio de classes, e recomendam o desenvolvimento de um conjunto de dados mais equilibrado e leve para pesquisas futuras. Eles também reconhecem que a implantação desta solução em um ambiente real exigiria recursos significativos de hardware e software.