Detecção de ataques DDoS contra controladores de redes definidas por Software (SDN) utilizando Machine Learning

Abstract

As Redes Definidas por Software (SDN), trouxeram uma nova forma de gerenciar redes de comunicação porque separa o plano de controlo do plano de dados, o que oferece mais flexibilidade e permite que as redes fossem gerenciadas de forma centralizada. No entanto, essa centralização fez com que o controlador da rede se tornasse um ponto vulnerável, especialmente quando se trata de ataques de negação de serviço (DDoS), que afecta a disponibilidade e o desempenho da comunicação. Sendo assim, é indispensável encontrar maneiras mais eficazes de detectar e mitigar esses ataques, pois que as técnicas comuns de detecção de intrusão têm limitações, quando se trata de identificar padrões complexos de tráfego malicioso. Portanto, este estudo teve como objectivo criar e avaliar um modelo de detecção de ataques DDoS ao controlador da rede SDN, utilizando algoritmos de Machine Learning. Para isso foi criado, um ambiente de simulação de uma rede SDN com hosts, switch e controlador Ryu virtual, emulados pelo Mininet, o que permitiu colectar o tráfego normal da rede através das comunicações entre os hosts baseada no protocolo TCP e UDP e o tráfego malicioso foi obtido, por meio da utilização da ferramenta hping3 para reproduzir dados com padrão característico de um ataque DDoS e consequentemente a criação do dataset usado no treinamento dos modelos. O conjunto de testes feito no treinamento dos modelos de Machine Learning foi composto por 10 000 fluxos de rede, onde 60% da amostra representa o tráfego normal e 40% tráfego malicioso. Os resultados dos testes são satisfatórios nas métricas acurácias (98,63), precisão (98,66%) recall (97,92%), e (97,9%) e F1-score (98,29%) evidenciando a eficácia da abordagem proposta de tráfego malicioso, na mitigação de ataques distribuídos e na utilização de algoritmos de Machine Learning como precisos em identificar padrões associados a ataques DDoS.