Ανίχνευση επιθέσεων DDoS σε υποδομές cloud και edge με χρήση τεχνικών Μηχανικής Μάθησης

Abstract

Η αυξανόμενη ανάγκη σε χρήση υποδομών cloud και edge έχει οδηγήσει σε έντονη ανησυχία για την ασφάλειά τους έναντι Επιθέσεων Κατανεμημένης Άρνησης Υπηρεσίας (DDoS). Στο πλαίσιο αυτής της διπλωματικής, προτείνουμε μια ολοκληρωμένη προσέγγιση για την ασφάλεια των υποδομών cloud και edge μέσω της χρήσης τεχνικών ανίχνευσης και αντιμετώπισης τέτοιου είδους επιθέσεων, που βασίζονται στη Μηχανική Μάθηση. Η διπλωματική διερευνά την χρήση διαφόρων αλγορίθμων ML για την ανίχνευση επιθέσεων DDoS, αναλύοντας την αποτελεσματικότητά τους στον εντοπισμό και την ταξινόμηση κακόβουλων μοτίβων διαδικτυακής κίνησης. Μέσα από εκτενείς αξιολογήσεις και συγκρίσεις απόδοσης, εντοπίζουμε τους καταλληλότερους αλγόριθμους ML για ανίχνευση DDoS σε περιβάλλοντα cloud και edge. Για την αντιμετώπιση της υπολογιστικής επιβάρυνσης στα ML μοντέλα ανίχνευσης σε περιβάλλοντα με περιορισμένους πόρους, εισάγουμε μια ιδέα για την επιτάχυνση των λειτουργιών τους, απόλυτα συμβατή με υποδομές cloud και edge. Αυτή η τεχνική συνδυάζεται σαν προέκταση, βελτιώνοντας σημαντικά την υπολογιστική πολυπλοκότητα, διατηρώντας την υψηλή απόδοση των μοντέλων ML και επιτρέποντας την ταχεία και αποτελεσματική ανίχνευση σε πραγματικό χρόνο επιθέσεων DDoS. Μέσω αξιολογήσεων και προσομοιώσεων, αποδεικνύουμε την αποτελεσματικότητα της προτεινόμενης προσέγγισης στον εντοπισμό των επιθέσεων DDoS σε υποδομές cloud και edge. Τέλος, προτείνουμε μια αρχιτεκτονική μοντέλου ML, αξιοποιώντας τεχνικές βαθιάς μάθησης, για να περαιτέρω βελτίωση της ακρίβειας ανίχνευσης DDoS. Αυτό το μοντέλο συνδυάζει εντοπισμό μοτίβων διαδικτυακής κίνησης και ανωμαλιών συμπεριφοράς, για να παρέχει μια ολοκληρωμένη εικόνα των πιθανών επιθέσεων και να ελαχιστοποιεί τα ψευδώς θετικά (False Positives). Στόχος αυτής της διπλωματικής είναι να συμβάλλει στον τομέα της ασφάλειας του cloud και edge, παρέχοντας ένα ολοκληρωμένο πλαίσιο για τον εντοπισμό και την αντιμετώπιση επιθέσεων DDoS, αξιοποιώντας τη δύναμη της Μηχανικής Μάθησης. Οι προτεινόμενες τεχνικές ακουμπούν στις θεμελιωμένες μεθόδους ασφαλείας cloud και edge, αλλά ανοίγουν επίσης το δρόμο για εξελίξεις στην προστασία κρίσιμων συστημάτων από τις απειλές στον κυβερνοχώρο.