Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/56942
Registro completo de metadados
Campo DCValorIdioma
dc.creatorOliveira, Renan Villela-
dc.date.accessioned2023-06-06T13:07:37Z-
dc.date.available2023-06-06T13:07:37Z-
dc.date.issued2023-06-05-
dc.date.submitted2023-02-16-
dc.identifier.citationOLIVEIRA, R. V. Detecção de ataques de DDoS ao plano de controle de SDN utilizando aprendizado de máquina. 2023. 59 p. Dissertação (Mestrado em Ciência da Computação)–Universidade Federal de Lavras, Lavras, 2022.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/56942-
dc.description.abstractThe Software Defined Networking (SDN) paradigm is considered promising for the innovation of computer networking technologies. The SDN architecture separates the data plane from the control plane, where the controller has an overall view of the network. Network security is a subject under constant discussion, as new forms of attacks with different objectives appear daily. SDN is no different, many Distributed Denial of Service (DDoS) attacks are performed against the SDN control plane, therefore, protection measures must be developed to detect malicious activities on the network. While SDN networks provide strong control over traffic, they also offer new problems and challenges as, for example, a DDoS attack against a controller has the potential to let the entire network inoperable. In order to identify malicious traffic in SDN, in this work, the input flows were analyzed and classified to detect DDoS attacks through machine learning techniques. In order to identify crucial characteristics in the monitoring of a SDN, datasets were created from the capture of legitimate and malicious traffic (DDoS) in SDN. These datasets were used in the construction of machine learning models which, in turn, were used to classify flows as legitimate or malicious. The traffic classification experiments were divided into two scenarios, one with variable traffic during the experiment time and another with unchanging traffic for each iteration. The results showed that the Naïve Bayes algorithm was more assertive in identifying attacks than the other algorithms (Gradient Boosting, Decision Tree and Support Vector Machine). To evaluate the results, the metrics accuracy, precision, recall and F-score were used.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.rightsAttribution 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectSDNpt_BR
dc.subjectSegurança da informaçãopt_BR
dc.subjectControladorpt_BR
dc.subjectDDoSpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectSoftware Defined Networking (SDN)pt_BR
dc.subjectInformation securitypt_BR
dc.subjectControllerpt_BR
dc.subjectDistributed Denial of Service (DDoS)pt_BR
dc.subjectMachine learningpt_BR
dc.titleDetecção de ataques de DDoS ao plano de controle de sdn utilizando aprendizado de máquinapt_BR
dc.title.alternativeDetection of DDoS attacks on sdn control plane using machine learningpt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Correia, Luiz Henrique Andrade-
dc.contributor.referee1Correia, Luiz Henrique Andrade-
dc.contributor.referee2Rosa, Renata Lopes-
dc.contributor.referee3Malheiros, Neumar Costa-
dc.contributor.referee4Silva, Fabricio Aguiar-
dc.description.resumoO paradigma de Software Defined Networking (SDN) é considerado promissor para a inovação das tecnologias de redes de computadores. A arquitetura SDN separa o plano de dados do plano de controle, onde o controlador tem uma visão geral da rede. Segurança em redes é um assunto em constante discussão, pois diariamente surgem novas formas de ataques com objetivos diversos. Em SDN não é diferente, muitos ataques de Distributed Denial of Service (DDoS) são realizados ao plano de controle de SDN, portanto, medidas de proteção devem ser desenvolvidas para detectar atividades maliciosas na rede. Apesar das redes SDN fornecerem forte controle sobre o tráfego, também oferecem novos problemas e desafios, pois, por exemplo, um ataque de DDoS a um controlador tem potencial para deixar toda a rede inoperante. Para identificar tráfego malicioso em SDN, neste trabalho, foram analisados e classificados os fluxos de entrada para detectar ataques de DDoS através de técnicas de aprendizado de máquina. Para identificar características cruciais no monitoramento de uma SDN, foram criados datasets a partir da captura de tráfego legítimo e malicioso (DDoS) em SDN. Estes datasets foram utilizados na construção de modelos de aprendizado de máquina que, por sua vez, foram usados para classificar os fluxos em legítimos ou maliciosos. Os experimentos de classificação de tráfego foram divididos em dois cenários, um com tráfego variável durante o tempo do experimento e outro com tráfego imutável para cada iteração. Os resultados obtidos mostraram que o algoritmo Naïve Bayes foi mais assertivo na identificação dos ataques que os demais algoritmos (Gradient Boosting, Decision Tree e Support Vector Machine). Para avaliar os resultados, foram utilizadas as métricas accuracy, precision, recall e F-score.pt_BR
dc.publisher.departmentDepartamento de Ciência da Computaçãopt_BR
dc.subject.cnpqSistemas de Computaçãopt_BR
dc.creator.Latteshttp://lattes.cnpq.br/8920795199590180pt_BR
Aparece nas coleções:Ciência da Computação - Mestrado (Dissertações)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTAÇÃO_Detecção de ataques de DDoS ao plano de controle de SDN utilizando aprendizado de máquina.pdf2,69 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons