Impacto da anonimização de tráfego de rede na predição e detecção de ataques DDoS

• Processo: 23/13294-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de novembro de 2023
• Vigência (Término): 31 de outubro de 2024
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Michele Nogueira Lima
• Beneficiário: Caroline Campos Carvalho
• Instituição Sede: Instituto de Ciências Exatas (ICEx). Universidade Federal de Minas Gerais (UFMG). Ministério da Educação (Brasil). Belo Horizonte , SP, Brasil
• Vinculado ao auxílio: 18/23098-0 - MENTORED: da modelagem à experimentação - predizendo e detectando ataques DDoS e zero-day, AP.TEM
• Assunto(s): Internet das coisas Segurança de redes Redes de computadores
• Palavra(s)-Chave do Pesquisador: Ambiente de Testes | Internet das Coisas | Segurança de Redes | Redes de Computadores

Resumo

A predição e a detecção eficazes de ataques DDoS dependem diretamente da qualidade das fontes de informação utilizadas como entrada para os mecanismos de predição e detecção empregados. Sem dúvida, uma das melhores fontes de informação é o tráfego de rede capturado nas interfaces de rede dos dispositivos sob proteção. Entretanto, por conta de regulamentações recentes como a Lei Geral de Proteção de Dados (LGPD) e a General Data Protection Regulation (GDPR), algumas informações do tráfego precisam ser anonimizadas, principalmente se os mecanismos de predição e de detecção forem executados fora dos domínios do proprietário dos dispositivos sob proteção, como no caso de provedores de nuvens computacionais, ou se o trafego for compartilhado publicamente com a comunidade científica com o objetivo de avançar o estado da arte no tópico de cibersegurança. Nesse projeto de iniciação científica, pretende-se analisar como a anonimização do tráfego afeta a qualidade dos mecanismos de predição e de detecção de ataques DDoS criados no projeto MENTORED. (AU)