Maestría en Gestión y Desarrollo de Proyectos de Software · 2015
Prototipo de detección de ataques distribuidos de denegación de servicios (DDOS1) a partir de máquinas de aprendizaje
Los ataques Distribuidos de Denegación de Servicios (DDOS) afectan la disponibilidad de los servicios WEB por un periodo de tiempo indeterminado, inundando con peticiones fraudulentas los servidores de las empresas y denegando las solicitudes de los usuarios legítimos, generando pérdidas económicas por indisponibilidad de los servicios prestados. Por este motivo, el alcance de este documento es desarrollar un prototipo de detección de ataques DDOS a partir de máquinas de aprendizaje (SVM2),el cual captura el tráfico de red, filtra las cabeceras HTTP3, normaliza los datos teniendo como base las variables operacionales: Tasa de Falsos Positivos, Tasa de Falsos Negativos, Tasa de Clasificación, y envía la información a la SVM para el respectivo entrenamiento y pruebas de detección, integrado con el software estadístico para minería de datos WEKA4, permitiendo identificar efectivamente estos comportamientos anómalos en la capa superior a la sesión (Modelo de referencia OSI5), con el propósito de aumentar el tiempo de disponibilidad de los servicios. El experimento permitirá evaluar, validar y comparar la técnica del prototipo basado en un modelo supervisado SVM, contra un modelo tradicional basado en reglas como SNORT(Snort, 2008).
Full text 93 pages with text
Read the full thesis Record in the repository
Contents
- RESUMENp. 8
- INTRODUCCIÓNp. 9
- REFERENTE CONTEXTUALp. 11
- ÁREA PROBLEMÁTICAp. 11
- ANTECEDENTESp. 12
- JUSTIFICACIÓNp. 25
- OBJETIVOSp. 27
- OBJETIVO GENERALp. 27
- OBJETIVOS ESPECIFICOSp. 27
- RESULTADO ESPERADOp. 28
- ESTRATEGIA METODOLÓGICAp. 29
- METODOLOGIAp. 29
- PRESUPUESTOp. 32
- DESARROLLOp. 34
- MARCO TEÓRICOp. 34
- FASE 1: DISEÑOp. 30
- DEFINICIÓN DE LA TÉCNICA DE LA MÁQUINA DE APRENDIZAJEp. 43
- DEFINICIÓN DE LAS VARIABLES OPERACIONALESp. 44
- DISEÑO DEL PROTOTIPO DE DETECCIÓN DE ATAQUES:p. 45
- FASE 2: IMPLEMENTACIÓNp. 30
- PROTOTIPO GENERADOR DE ATAQUES DDOS:p. 49
- PROTOTIPO DE DETECCIÓN DE ATAQUES:p. 52
- RECOPILACIÓN DE LOS DATOS, FILTRO Y NORMALIZACIÓN:p. 53
- ENTRENAMIENTO DEL PROTOTIPO:p. 58
- EVALUACIÓN DEL PROTOTIPO:p. 60
- RESULTADOS DEL PROTOTIPO:p. 61
- FASE 3: PRUEBAS Y RESULTADOSp. 65
- RECOPILACIÓN DE LA INFORMACIÓN:p. 65
- ENTRENAMIENTO DEL PROTOTIPO:p. 58
- VALIDACIÓN DE LOS RESULTADOS CON WEKA:p. 70
- VALIDACIÓN DE LOS RESULTADOS CON EL PROTOTIPO:p. 73
- EVALUACIÓN DEL PROTOTIPO:p. 60
- VALIDACIÓN DE LOS RESULTADOS CON WEKA:p. 70
- VALIDACIÓN DE LOS RESULTADOS CON EL PROTOTIPO:p. 73
- EVALUACIÓN DE LA HERRAMIENTA SNORT:p. 81
- ANÁLISIS DE RESULTADOSp. 85
- CONCLUSIONESp. 87
- RECOMENDACIONESp. 88
- REFERENCIASp. 89
- Figura 1: Marco de trabajo. (Roy, 2001, pág. 181)p. 29
- Figura 2: Fórmula linealp. 43
- Figura 3: Fórmula polinomialp. 43
- Figura 4: Fórmula función básica radial RBFp. 43
- Figura 5: Fórmula sigmoidep. 43
- Figura 6: Arquitectura de alto nivel del Prototipo de Detección SVMp. 45
- Figura 7: Arquitectura lógica de la carga, filtro y normalizaciónp. 46
- Figura 8: Arquitectura lógica del entrenamiento, evaluación y resultadosp. 47
- Figura 9: Componentes del prototipo de Ataquesp. 50
- Figura 10: Código del procesamiento paralelo y secuencial del generador de ataquesp. 51
- Figura 11: Configuración del prototipo generador de ataquesp. 51
- Figura 12: Log del prototipo generador de ataquesp. 52
- Figura 13: Componentes del prototipo de Detección de Ataquesp. 53
- Figura 14: Componentes de la extracción, filtro y normalizaciónp. 54
- Figura 15: Estructura del archivo PCAP en la captura de tráficop. 54
- Figura 16: Código de la captura del tráficop. 55
- Figura 17: Estructura del archivo con el filtro tráficop. 56
- Figura 18: Código del filtro del tráficop. 56
- Figura 19: Estructura del archivo normalizadop. 57
- Figura 20: Código del tráfico normalizadop. 57
- Figura 21: Código de la extracción de la información por SFTPp. 58
- Figura 22: Componentes en la etapa de entrenamientop. 58
- Figura 23: Modelo generado por la SVM en el prototipop. 59
- Figura 24: Código del proceso de entrenamientop. 59
- Figura 25: Componentes en la etapa de evaluación o detecciónp. 60
- Figura 26: Código del proceso de evaluaciónp. 61
- Figura 27: Almacenamiento de las variables operacionales de entradap. 63
- Figura 28: Almacenamiento de las métricas operacionales del modelop. 64
- Figura 29: Arquitectura física del experimentop. 65
- Figura 30: Sistema de información de pruebasp. 66
- Figura 31: Información del archivo normalizado en pruebasp. 67
- Figura 32: Fórmula de tasa de verdaderos positivosp. 67
- Figura 33: Fórmula de tasa de falsos negativosp. 68
- Figura 34: Fórmula de tasa de falsos positivosp. 68
- Figura 35: Fórmula de sensibilidadp. 68
- Figura 36: Fórmula de precisiónp. 68
- Figura 37: Información del archivo de entrenamiento en pruebasp. 69
- Figura 38: Pre procesamiento de la información en WEKAp. 70
- Figura 39: Estructura requerida en los archivos en WEKAp. 71
- Figura 40: Entrenamiento de la información normalizada en WEKAp. 71
- Figura 41: Curva ROC en entrenamiento WEKAp. 72
- Figura 42: Información normalizada en entrenamiento del prototipop. 73
- Figura 43: Traza general de la ejecución de entrenamiento del prototipop. 74
- Figura 44: Información normalizada en entrenamiento del prototipop. 74
- Figura 45: Información normalizada cargada en memoria del prototipop. 74
- Figura 46: Modelo generado por la SVM en entrenamiento del prototipop. 74
- Figura 47: Almacenamiento de las métricas del modelo en entrenamiento del prototipop. 75
- Figura 48: Información del archivo de evaluación en pruebasp. 76
- Figura 49: Cargar modelo generado en pruebasp. 76
- Figura 50: Cargar conjunto de datos de pruebasp. 77
- Figura 51: Evaluación de la información normalizada en WEKAp. 77
- Figura 52: Curva ROC en evaluación WEKAp. 78
- Figura 53: Información normalizada en evaluación del prototipop. 79
- Figura 54: Información de la traza de la detección en evaluación del prototipop. 80
- Figura 55: Almacenamiento de las variables operacionales de detección en pruebasp. 80
- Figura 56: Almacenamiento de las métricas del modelo en evaluación del prototipop. 81
- Figura 57: Comando de inicio SNORTp. 82
- Figura 58: Ruta reglas SNORTp. 82
- Figura 59: Reglas configuradas en SNORTp. 83
- Figura 60: Log generador de ataques SNORTp. 83
- Figura 61: Log peticiones capturadas por SNORTp. 83
- Tabla 1: Presupuesto totalp. 32
- Tabla 2: Presupuesto materiales y suministrop. 32
- Tabla 3: Presupuesto viajes y transportep. 33
- Tabla 4: Tabla física ejecución (TBLEXECUTION)p. 62
- Tabla 5: Tabla física (TBLRESULTOPERATIONVARIABLES)p. 62
- Tabla 6: Tabla física (TBLRESULTOPERATIONVARIABLESTATISTICS)p. 63
- Tabla 7: Estructura de atributos normalizadosp. 66
- Tabla 8: Resultado de las métricas de desempeño en entrenamiento WEKAp. 72
- Tabla 9: Resultado de las métricas de desempeño en entrenamiento del Prototipop. 75
- Tabla 10: Resultado de las métricas de desempeño en evaluación WEKAp. 78
- Tabla 11: Resultado de las métricas de desempeño en evaluación del prototipop. 81
- Tabla 12: Resultado de las métricas de desempeño con SNORTp. 84
- Tabla 13: Resultado de las métricas de desempeño en entrenamiento resultadosp. 85
- Tabla 14: Resultado de las métricas de desempeño en evaluación resultadosp. 86