Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação

Detalhes bibliográficos
Autor(a) principal: Delazeri, Henrique Werner
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: eng
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/274080
Resumo: À medida que o número de sistemas conectados em redes de comunicação aumenta, tam bém cresce a atenção de atores maliciosos a esses sistemas e, consequentemente, a preo cupação com a proteção dos dados sensíveis dos usuários. Ataques DDoS são considera dos um dos principais riscos à segurança, sobrecarregando a infraestrutura e impedindo o acesso legítimo aos sistemas. Estes ataques, muitas vezes realizados por meio de BotNets, têm se tornado mais frequentes e de maior escala, representando um desafio significativo para a detecção e mitigação eficazes. Esses ataques estão em constante evolução, exigindo sistemas de detecção adaptáveis e eficientes. Neste contexto, propõe-se um modelo de de tecção de ataques distribuídos de negação de serviço baseado em aprendizado por reforço. Este modelo diminui a necessidade de grandes conjuntos de dados categorizados e etapas de treinamento, uma vez que os agentes de detecção podem ajustar seu comportamento de acordo com suas necessidades. Além disso, a capacidade de aprendizado contínuo dos agentes permite a detecção de novos tipos de ataques sem intervenção humana. A mode lagem proposta foi analisada através da criação de cenários de ataque com base em dados sintéticos contendo diversos tipos de ataques DDoS. Os resultados sugerem que o modelo baseado em aprendizado por reforço consegue detectar e mitigar ataques DDoS eficiente mente, adaptando-se a novos tipos de ataques sem a necessidade de retreinamento.
id UFRGS-2_b89782f75708ac9d08f2ce8650bfe4be
oai_identifier_str oai:www.lume.ufrgs.br:10183/274080
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Delazeri, Henrique WernerGaspary, Luciano Paschoal2024-03-22T05:07:12Z2024http://hdl.handle.net/10183/274080001198962À medida que o número de sistemas conectados em redes de comunicação aumenta, tam bém cresce a atenção de atores maliciosos a esses sistemas e, consequentemente, a preo cupação com a proteção dos dados sensíveis dos usuários. Ataques DDoS são considera dos um dos principais riscos à segurança, sobrecarregando a infraestrutura e impedindo o acesso legítimo aos sistemas. Estes ataques, muitas vezes realizados por meio de BotNets, têm se tornado mais frequentes e de maior escala, representando um desafio significativo para a detecção e mitigação eficazes. Esses ataques estão em constante evolução, exigindo sistemas de detecção adaptáveis e eficientes. Neste contexto, propõe-se um modelo de de tecção de ataques distribuídos de negação de serviço baseado em aprendizado por reforço. Este modelo diminui a necessidade de grandes conjuntos de dados categorizados e etapas de treinamento, uma vez que os agentes de detecção podem ajustar seu comportamento de acordo com suas necessidades. Além disso, a capacidade de aprendizado contínuo dos agentes permite a detecção de novos tipos de ataques sem intervenção humana. A mode lagem proposta foi analisada através da criação de cenários de ataque com base em dados sintéticos contendo diversos tipos de ataques DDoS. Os resultados sugerem que o modelo baseado em aprendizado por reforço consegue detectar e mitigar ataques DDoS eficiente mente, adaptando-se a novos tipos de ataques sem a necessidade de retreinamento.As the number of connected systems in communication networks increases, so does the attention of malicious actors to these systems and, consequently, the concern for protect ing users’ sensitive data. DDoS attacks are considered one of the main security risks, overloading infrastructure and preventing legitimate access to systems. These attacks, of ten carried out through BotNets, have become more frequent and larger in scale, posing a significant challenge for effective detection and mitigation. These attacks are constantly evolving, requiring adaptable and efficient detection systems. In this context, we propose a reinforcement learning-based distributed denial-of-service attack detection model. This model reduces the need for large labeled datasets and training steps, as detection agents can adjust their behavior according to their needs. Additionally, the agents’ continuous learning capability allows for the detection of new attack types without human interven tion. The proposed model was evaluated by creating attack scenarios based on synthetic data containing various types of DDoS attacks. The results suggest that the reinforcement learning-based model can efficiently detect and mitigate DDoS attacks, adapting to new attack types without the need for retraining.application/pdfengRedes de computadoresTrafego : Redes : ComputadoresAprendizado por reforçoNetwork traffic classificationReinforcement learningExplorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicaçãoExploring reinforcement learning for detection and mitigation of attacks in communication networks info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2024Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001198962.pdf.txt001198962.pdf.txtExtracted Texttext/plain58708http://www.lume.ufrgs.br/bitstream/10183/274080/2/001198962.pdf.txt943a49039c9eb309feb8e46b17d73b31MD52ORIGINAL001198962.pdfTexto completoapplication/pdf275714http://www.lume.ufrgs.br/bitstream/10183/274080/1/001198962.pdf011d20dbca543276fa967ca38904c52fMD5110183/2740802024-03-23 05:01:25.12603oai:www.lume.ufrgs.br:10183/274080Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2024-03-23T08:01:25Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
dc.title.alternative.pt.fl_str_mv Exploring reinforcement learning for detection and mitigation of attacks in communication networks
title Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
spellingShingle Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
Delazeri, Henrique Werner
Redes de computadores
Trafego : Redes : Computadores
Aprendizado por reforço
Network traffic classification
Reinforcement learning
title_short Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
title_full Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
title_fullStr Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
title_full_unstemmed Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
title_sort Explorando aprendizado por reforço para detecção e mitigação de ataques DDoS em redes de comunicação
author Delazeri, Henrique Werner
author_facet Delazeri, Henrique Werner
author_role author
dc.contributor.author.fl_str_mv Delazeri, Henrique Werner
dc.contributor.advisor1.fl_str_mv Gaspary, Luciano Paschoal
contributor_str_mv Gaspary, Luciano Paschoal
dc.subject.por.fl_str_mv Redes de computadores
Trafego : Redes : Computadores
Aprendizado por reforço
topic Redes de computadores
Trafego : Redes : Computadores
Aprendizado por reforço
Network traffic classification
Reinforcement learning
dc.subject.eng.fl_str_mv Network traffic classification
Reinforcement learning
description À medida que o número de sistemas conectados em redes de comunicação aumenta, tam bém cresce a atenção de atores maliciosos a esses sistemas e, consequentemente, a preo cupação com a proteção dos dados sensíveis dos usuários. Ataques DDoS são considera dos um dos principais riscos à segurança, sobrecarregando a infraestrutura e impedindo o acesso legítimo aos sistemas. Estes ataques, muitas vezes realizados por meio de BotNets, têm se tornado mais frequentes e de maior escala, representando um desafio significativo para a detecção e mitigação eficazes. Esses ataques estão em constante evolução, exigindo sistemas de detecção adaptáveis e eficientes. Neste contexto, propõe-se um modelo de de tecção de ataques distribuídos de negação de serviço baseado em aprendizado por reforço. Este modelo diminui a necessidade de grandes conjuntos de dados categorizados e etapas de treinamento, uma vez que os agentes de detecção podem ajustar seu comportamento de acordo com suas necessidades. Além disso, a capacidade de aprendizado contínuo dos agentes permite a detecção de novos tipos de ataques sem intervenção humana. A mode lagem proposta foi analisada através da criação de cenários de ataque com base em dados sintéticos contendo diversos tipos de ataques DDoS. Os resultados sugerem que o modelo baseado em aprendizado por reforço consegue detectar e mitigar ataques DDoS eficiente mente, adaptando-se a novos tipos de ataques sem a necessidade de retreinamento.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-03-22T05:07:12Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/274080
dc.identifier.nrb.pt_BR.fl_str_mv 001198962
url http://hdl.handle.net/10183/274080
identifier_str_mv 001198962
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/274080/2/001198962.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/274080/1/001198962.pdf
bitstream.checksum.fl_str_mv 943a49039c9eb309feb8e46b17d73b31
011d20dbca543276fa967ca38904c52f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801224680235859968

Registros relacionados