Um estudo sobre algoritmos para redução de características no contexto de ataques baseados em botnets

Abstract

O uso de dispositivos alimentados por Internet das Coisas se expandiu drasticamente durante os últimos anos, assim como a variedade de protocolos e recursos computacionais. Contudo, além das inúmeras vantagens geradas por esse avanço tecnológico, existem riscos inerentes que ameaçam principalmente a segurança desses aparelhos inteligentes. Uma dessas ameaças é a botnet, utilizando um dos ataques mais comuns, o DDoS, que muda constantemente seu formato de ataque. Dada a natureza mutante das botnets, algoritmos de otimização metaheurísticos, inspirados na natureza, são vistos como uma possível solução, visto que possibilitam uma maneira eficiente para encontrar soluções para problemas complexos do mundo real utilizando apenas informações de fluxo de rede e adaptando-se às mudanças sendo atualizados por treinamentos frequentes. Entretanto, o tempo de treinamento desses algoritmos é dependente do número de características utilizadas durante o treino, levando a tempos de processamento incompatíveis com seu uso em cenários de processamento em tempo real. Dessa forma, mecanismos de redução de características devem ser explorados para reduzir a complexidade dos treinamentos capacitando o uso desses algoritmos em cenários reais, ou seja, com processamento em tempo real. Nesse trabalho, propõe-se uma comparação entre três algoritmos de redução de características para treinamento de detectores metaheuríticos, que operam em tempo real. Alguns desses algoritmos podem ser inspirados no comportamento dos animais, como é o caso dos que serão aplicados nesse trabalho, em específico, o algoritmo de redução do lobo cinzento (Gray Wolf Optimizer - GWO), da baleia (Whale Optimization Algorithm- WOA) e do mocego (Bat Algorithm - (BAT)). Esses algoritmos foram implementados apartir do framework EvoloPy-FS, que consiste em uma estrutura de otimização de código aberto codificada em Python, inspirada na natureza para a seleção de recursos. Propõe-se analisar o desempenho do modelo de Árvore de Decisão (Decision Tree) na avaliação das diferenças obtidas nas métricas de f1-score, acurácia, precisão e tempo de treinamento, aplicando os três algoritmos de otimização utilizados para redução de características (features) no contexto de detecção de botnets.