| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.61 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The evolution of technology and the increasing connectivity between devices lead to an
increased risk of cyberattacks. Reliable protection systems, such as Intrusion Detection
System (IDS) and Intrusion Prevention System (IPS), are essential to try to prevent,
detect and counter most of the attacks. However, the increased creativity and type of
attacks raise the need for more resources and processing power for the protection systems
which, in turn, requires horizontal scalability to keep up with the massive companies’
network infrastructure and with the complexity of attacks. Technologies like machine
learning, show promising results and can be of added value in the detection and prevention
of attacks in near real-time. But good algorithms and tools are not enough. They require
reliable and solid datasets to be able to effectively train the protection systems. The
development of a good dataset requires horizontal-scalable, robust, modular and faulttolerant
systems so that the analysis may be done in near real-time. This work describes
an architecture design for horizontal-scaling capture, storage and analyses, able to collect
packets from multiple sources and analyse them in a parallel fashion. The system depends
on multiple modular nodes with specific roles to support different algorithms and tools.
A evolução da tecnologia e o aumento da conectividade entre dispositivos, levam a um aumento do risco de ciberataques. Os sistemas de deteção de intrusão são essenciais para tentar prevenir, detetar e conter a maioria dos ataques. No entanto, o aumento da criatividade e do tipo de ataques aumenta a necessidade dos sistemas de proteção possuírem cada vez mais recursos e poder computacional. Por sua vez, requerem escalabilidade horizontal para acompanhar a massiva infraestrutura de rede das empresas e a complexidade dos ataques. Tecnologias como machine learning apresentam resultados promissores e podem ser de grande valor na deteção e prevenção de ataques em tempo útil. No entanto, a utilização dos algoritmos e ferramentas requer sempre um conjunto de dados sólidos e confiáveis para treinar os sistemas de proteção de maneira eficaz. A implementação de um bom conjunto de dados requer sistemas horizontalmente escaláveis, robustos, modulares e tolerantes a falhas para que a análise seja rápida e rigorosa. Este trabalho descreve a arquitetura de um sistema de captura, armazenamento e análise, capaz de capturar pacotes de múltiplas fontes e analisá-los de forma paralela. O sistema depende de vários nós modulares com funções específicas para oferecer suporte a diferentes algoritmos e ferramentas.
A evolução da tecnologia e o aumento da conectividade entre dispositivos, levam a um aumento do risco de ciberataques. Os sistemas de deteção de intrusão são essenciais para tentar prevenir, detetar e conter a maioria dos ataques. No entanto, o aumento da criatividade e do tipo de ataques aumenta a necessidade dos sistemas de proteção possuírem cada vez mais recursos e poder computacional. Por sua vez, requerem escalabilidade horizontal para acompanhar a massiva infraestrutura de rede das empresas e a complexidade dos ataques. Tecnologias como machine learning apresentam resultados promissores e podem ser de grande valor na deteção e prevenção de ataques em tempo útil. No entanto, a utilização dos algoritmos e ferramentas requer sempre um conjunto de dados sólidos e confiáveis para treinar os sistemas de proteção de maneira eficaz. A implementação de um bom conjunto de dados requer sistemas horizontalmente escaláveis, robustos, modulares e tolerantes a falhas para que a análise seja rápida e rigorosa. Este trabalho descreve a arquitetura de um sistema de captura, armazenamento e análise, capaz de capturar pacotes de múltiplas fontes e analisá-los de forma paralela. O sistema depende de vários nós modulares com funções específicas para oferecer suporte a diferentes algoritmos e ferramentas.
Description
Keywords
Cybersecurity IDS Distributed-systems Machine-learning