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

技术摘要：面向拒绝服务（DoS）攻击检测与防护的区块链聚焦网络安全技术

问题陈述
本文探讨了客户端-服务器网络架构日益增长的拒绝服务（DoS）攻击脆弱性。作者认为，传统的网络安全机制，包括防火墙、杀毒软件、入侵检测系统（IDS）以及现有的人工智能（AI）、机器学习（ML）和深度学习（DL）模型，均存在不足。这些传统系统过度依赖中心化结构，从而产生了单点故障，使其成为恶意攻击者的目标。此外，虽然目前的 ML 和 DL 模型在“检测”DoS 攻击方面表现出色，但往往缺乏主动“防护”或防止攻击破坏网络的内在能力。本研究指出了以往研究中的差距，包括数据集使用受限、攻击范围过窄、分类错误问题（例如将 UDP 与 NetBIOS 混淆）以及缺乏集成的预防机制。

方法论
本研究提出了一个将区块链技术与标准客户端-服务器网络层相结合的混合框架，旨在创建一个去中心化的防御系统。该方法包含以下关键组成部分：

1. 概念框架： 在客户端请求源与服务器之间部署了一个许可制（Permissioned）区块链层。该层充当过滤器和守卫。所有传入的请求在传递到客户端-服务器层之前，必须经过区块链网络的身份验证和校验。
2. 智能合约逻辑： 核心防护机制依赖于一个预设了特定阈值（设定为每个 IP 每秒 1,000 次请求）的智能合约。如果单个 IP 超过此阈值，智能合约会自动将其识别为 DoS 攻击并拦截该 IP 地址。
3. 机器学习集成： 为了优化检测，作者使用 CIC-DDoS2019 数据集对八种不同的模型（ANN、CNN、KNN、LSTM、SVM、随机森林以及两种混合模型）进行了训练和评估。数据通过 SMOTE 技术进行了预处理，以解决类别不平衡问题。
4. 仿真环境： 该原型利用多种工具实现，包括 Ganache（用于本地以太坊区块链仿真）、Truffle、Solidity（用于智能合约）、NS-3（用于网络仿真）以及各种 IDE（Google Colab、VSCode、Jupyter）。同时开发了一个自定义交互式仪表盘，用于可视化实时流量、被拦截的 IP 以及系统指标。

核心贡献

• 去中心化防护架构： 本文引入了一种模型，其中区块链层作为不可篡改的去中心化看门人，防止恶意流量到达中心服务器。
• 自动化缓解： 不同于仅能检测的传统系统，该框架利用智能合约根据预设规则自动执行拦截动作，从而最大限度地减少攻击的影响。
• 全面评估： 研究将评估指标扩展到了简单的检测准确率之外，涵盖了 DoS 攻击最小化、预防能力、延迟、吞吐量、CPU/内存利用率以及 AUC/ROC 曲线等参数。
• 模型对比： 本研究通过对比分析八种 ML/DL 模型，旨在确定在特定区块链环境下进行 DoS 检测的最有效算法。

结果
基于 CIC-DDoS2019 数据集的实验结果表明：

• 表现最佳的模型： 卷积神经网络（CNN）模型在包括随机森林、XGBoost 和混合模型在内的其他模型中表现出卓越的性能。
• 准确率与预防能力： CNN 模型的 DoS 攻击检测准确率达到 98.3%，且具备 100% 的预防/最小化能力。相比之下，其他模型（如随机森林）虽然具有较高的检测准确率（99%），但预防能力较低（83.83%）。
• 性能指标： 系统在测试的模型中表现出约 48.48 毫秒的平均延迟。CNN 模型在所有类别中均显示出为 1 的完美曲线下面积（AUC）值，表明其具备纯粹的分类能力。
• 仿真结果： 在仿真环境中，当客户端请求超过 1,000 次阈值时，系统成功识别了攻击，并通过智能合约拦截了源 IP，降低了流量负载，并在交互式仪表盘中得到了可视化呈现。

意义与主张
作者声称，这项研究为中心化网络安全系统的局限性提供了强有力的解决方案。通过利用区块链的去中心化和不可篡改特性，所提出的框架不仅能检测异常，还能主动防止服务中断。论文断言，将区块链智能合约与高准确率的机器学习模型（特别是 CNN）相结合，是保障客户端-服务器网络免受 DoS 攻击的安全“极佳选择”。

研究结论指出，尽管所提模型在仿真中非常有效，但其全部潜力在于现实世界的应用。作者谦虚地指出，目前对 CIC-DDoS2019 数据集的依赖由于其规模和类别不平衡问题存在局限性，并建议未来研究开发更平衡、轻量级的数据集。他们同时也承认，在现实环境中部署该方案需要大量的硬件和软件资源。