Aplicação de Redes Adversárias Generativas na Detecção e Prevenção de Ataques Cibernéticos

Brunno Israel Toledo de  Mendonça; Erick Pereira Santos; Guilherme de Jesus Dionysio; Eugenio Euripedes Bittencourt  Bittencourt

Autores

Brunno Israel Toledo de Mendonça FATEC Santana de Parnaíba https://orcid.org/0009-0006-4186-8991
Erick Pereira dos Santos FATEC Santana de Parnaíba https://orcid.org/0009-0005-5479-5894
Guilherme de Jesus Dionysio FATEC Santana de Parnaíba https://orcid.org/0009-0001-5195-5451
Eugenio Euripedes Bittencourt FATEC Santana de Parnaíba https://orcid.org/0009-0003-4535-3379

Palavras-chave:

GANs, Machine Learning, dataset, treinamento de modelos, Segurança da Informação

Resumo

Este trabalho investiga o uso de Generative Adversarial Networks (GANs) como ferramenta para fortalecer a segurança cibernética, especificamente na detecção de acessos maliciosos. Utilizando um estudo de caso único em ambiente controlado, analisando a eficácia das GANs para distinguir entre acessos legítimos e tentativas de intrusão, com foco na proteção da integridade dos sistemas de informação. A metodologia de estudo de caso, inclui coleta de dados de um sistema de rede, construção e treinamento de modelos GAN e Machine Learning (ML), e análise de hiperparâmetros essenciais, como função de perda e taxa de aprendizado, para otimização do desempenho do modelo. Os resultados mostram o potencial das GANs em complementar sistemas de segurança, reforçando sua robustez contra-ataques de brute force e outras ameaças. Este estudo contribui para a pesquisa sobre a aplicação de GANs na Segurança da Informação, destacando o papel da inteligência artificial na defesa de redes corporativas.

Referências

ADIBAN, M.; SINISCALCHI, M. S.; SALVI, G. 2023. A step-by-step training method for multi generator GANs with application to anomaly detection and cybersecurity. Disponível em: https://www.sciencedirect.com/science/article/pii/S0925231223003065.

ALMEIDA. C.C. 2019. Identificação e classificação de imagens usando rede neural convolucional e "machine learning" [recurso eletrônico]: implementação em sistema embarcado. Disponivel em: https://repositorio.unicamp.br/acervo/detalhe/1126679.

ALQAHTANI, H.; KAVAKLI, M.; AHUJA, G. 2019. Applications of Generative Adversarial Networks (GANs): An Updated Review. Disponível em: https://www.researchgate.net/publication/338050169_Applications_of_Generative_Adversarial_Networks_GANs_An_Updated_Review.

ARORA, A SHANTANU. 2020. A Review on Application of GANs in Cybersecurity Domain. Disponível em: https://www.tandfonline.com/doi/full/10.1080/02564602.2020.1854058?scroll=top&needAccess=true.

AWS. 2023. O que é uma GAN? Disponível em: https://aws.amazon.com/pt/what-is/gan/

BROWN, A.; TUOR, A; HUTCHINSON, B.; NICHOLS, N. 2018. Recurrent Neural Network Attention Mechanisms for Interpretable System Log Anomaly Detection. Disponível em: https://dl.acm.org/doi/abs/10.1145/3217871.3217872.

CISCO. 2017. DHCP Overview. Disponível em: https://www.cisco.com/c/en/us/td/docs/routers/ncs4200/configuration/guide/IP/17-1-1/b-dhcp-17-1-1-ncs4200/b-dhcp-17-1-1-ncs4200_chapter_00.pdf.

CISCO. 2024. What is SD-WAN? Cisco. Disponível em: https://www.cisco.com/c/en/us/solutions/enterprise-networks/sd-wan/what-is-sd-wan.html.

DATA SCIENCE ACADEMY. 2022. Deep Learning Book. Disponível em: https://www.deeplearningbook.com.br/.

FONTANA, G & CARNEIRO, F. R.P. 2023. Estudo do impacto da variação de parâmetros em uma rede neural artificial aplicado a bases com diferentes características. Disponivel em: https://ri.unipac.br/repositorio/wp-content/uploads/tainacan-items/282/224732/GUILHERME-FONTANA-KILSON-ESTUDO-DO-IMPACTO-DA-VARIACAO-DE-PARAMETROS-EM-UMA-REDE-COMPUTACAO-2023.pdf.

GALEGALE, N.; FONTES, E.; GALEGALE, B. 2017. Uma contribuição para a Segurança da Informação: um estudo de casos múltiplos com organizações brasileiras. Disponível em: https://www.scielo.br/j/pci/a/Srp97XX3Hyb4MfjxRH9gDgd/#.

GOODFELLOW, I. J.; BENGIO, Y.; COURVILLE, A. 2017. Deep Learning. Disponível em: https://link.springer.com/article/10.1007/s10710-017-9314-z.

GOODFELLOW, I. J.; POUGET-ABADIE. J.; MIRZA, M.; XU, B.; WARDE-FARLEY D.; OZAIR, S.; COURVILLE, A; BENGIO, Y. 2014. Generative Adversarial Nets. Disponível em: https://arxiv.org/abs/1406.2661.

HAYKIN, S. 1998. Neural Networks: A Comprehensive Foundation. Disponível em: https://dl.acm.org/doi/abs/10.5555/521706.

HOSAKI, G. Y. & RIBEIRO, D. F. 2021. Deep learning: ensinando a aprender. Disponivel em: https://ric.cps.sp.gov.br/handle/123456789/5060.

JANIESCH, C.; ZSCHECH, P.; HEINRICH, K. 2021. Machine learning and deep learning. Disponível em: https://link.springer.com/article/10.1007/s12525-021-00475-2.

KASPERSKY, 2022. Relatório da Kaspersky revela como ocorreram os ataques de ransomware em 2022. Disponivel em: https://www.kaspersky.com.br/about/press-releases/43-dos-ataques-de-ransomware-em-2022-comecaram-com-a-exploracao-de-aplicativos.

KHARISMADHANY, E.; RUSWIANSARI, M.; HARSONO, T. 2023. Brute-force Detection Using Ensemble Classification Disponível em: https://www.researchgate.net/publication/382373555_Brute-force_Detection_Using_Ensemble_Classification.

KOCH, B.; DENTON, E.; HANNA, A.; FOSTER, J. G. 2021. Reduced, Reused and Recycled: The Life of a Dataset in Machine Learning Research. Disponível em: https://par.nsf.gov/biblio/10324721-reduced-reused-recycled-life-dataset-machine-learning-research.

LECUN, Y.; BENGIO, Y.; HINTON, G. 2015. Deep learning. Disponível em: https://www.nature.com/articles/nature14539.

LIPPMANN, RICHARD.; HAINES, J. W.; FRIED. J. D.; KORBA, J.; DAS. K. 2000. The 1999 DARPA off-line intrusion detection evaluation. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1389128600001390.

LUCIC. M.; KURACH. K.; MICHALSKI. M.; GELLY. S.; BOUSQUET. O. 2017. Are GANs Created Equal? A Large-Scale Study. Disponível em: https://arxiv.org/abs/1711.10337.

MARTINIANO. A.; FERREIRA. R. P.; FERREIRA. A.; FERREIRA. A.; SASSI. R. J. 2016. Utilizando uma rede neural artificial para aproximação da função de evolução do sistema de Lorentz. Disponível em: https://www.researchgate.net/figure/Figura-1-Representacao-do-neuronio-artificial_fig1_329245206/actions#caption.

MIRZA, M. & OSINDERO, S. 2014. Conditional Generative Adversarial Nets. Disponível em: https://arxiv.org/abs/1411.1784.

MONARD, M. C & BARANAUSKAS, J. A. 2003. Conceitos sobre Aprendizado de Máquina. Disponível em: https://dcm.ffclrp.usp.br/~augusto/publications/2003-sistemas-inteligentes-cap4.pdf.

NAJAFABADI. M. M.; KHOSHGOFTAAR. T. M.; KEMP. C.; SELIYA. N.; ZUECH. R. 2014. Machine Learning for Detecting Brute Force Attacks at the Network Level. Disponível em: https://ieeexplore.ieee.org/document/7033609.

NOOR. S.; BAZAI. S. U.; GHAFOOR. M. I.; MARJAN. S.; AKRAM. S.; ALI. F. 2023. Generative Adversarial Networks for Anomaly Detection: A Systematic Literature Review. Disponível em: https://www.researchgate.net/publication/370177350_Generative_Adversarial_Networks_for_Anomaly_Detection_A_Systematic_Literature_Review.

PEREIRA. H. A.; DE SOUZA. A. F.; DE MENEZES. C. S. 2018. Obtaining evidence of learning in digital games through a deep learning neural network to classify facial expressions of the players. IEEE Transactions on Computational Intelligence and AI in Games, 2019. Disponível em: https://ieeexplore.ieee.org/abstract/document/8659216

POWERS. D. M. W. 2020. Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. Disponível em: https://arxiv.org/abs/2010.16061.

SALAMA, S.; ALAMOUDI, Y.; ALAMOUDI, G.; ALBESHRI, F. 2023. Cloud Computing Security Issues and Countermeasure: A Comprehensive Survey. Disponível em: https://www.ijcaonline.org/archives/volume185/number14/32767-2023922832/.

SCARFONE, K. & MELL, P. 2007. Guide to Intrusion Detection and Prevention Systems (IDPS) Disponível em: https://csrc.nist.gov/pubs/sp/800/94/final.

SIEMURI, A.; SELVAN, K.; KUUSNIEMI, H.; VALISUO, P.; ELMUSRATI, M. S. 2022. A Systematic Review of Machine Learning Techniques for GNSS Use Cases. Disponível em: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9937069.

SOMMER. R & PAXSON, V. 2010. Outside the Closed World:On Using Machine Learning for Network Intrusion Detection. Disponível em: https://ieeexplore.ieee.org/document/5504793.

WANG, Z.; SHE, Q.; WARD, T. E. 2020. Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy. Disponível em: https://arxiv.org/abs/1906.01529.