Uma revisão sistemática da detecção de ataques do DOS e DDoS em ambientes de nuvem: tendências evolutivas e o papel emergente da meta-aprendizagem para adaptabilidade de domínio cruzado

O que aconteceu

Os ataques de Negação de Serviço (DoS) e Negação Distribuída de Serviço (DDoS) continuam a ser uma das ameaças mais persistentes e em rápida evolução às infraestruturas de rede atuais à medida que se tornam mais sofisticadas e perturbam cada vez mais a disponibilidade, confiabilidade e segurança de sistemas baseados na nuvem, Redes Definidas por Software (SDNs), ecossistemas da Internet das Coisas (IoT) e ambientes de comunicação de próxima geração. Este trabalho fornece uma revisão sistemática da literatura sobre detecção e mitigação de ataques do DOS e do DDoS, abrangendo as várias etapas das evoluções no campo desde métodos estatísticos e baseados em anomalias até aprendizado adaptativo de máquina e aprendizagem profunda, bem como métodos de detecção específicos de domínio. A revisão, que é baseada em um exame minucioso de 120 artigos (114 estudos primários e 6 estudos complementares), fornece uma síntese dos últimos avanços na detecção de rede e camada de aplicação, frameworks de detecção específicos de protocolo, sistemas de detecção de intrusão baseados em nuvem, detecção programável habilitada por SDN, arquiteturas IoT/Fog/Edge, modelos conjuntos e híbridos, aprendizagem de transferência e mecanismos de segurança baseados em blockchain. Uma revisão sistemática de conjuntos de dados de referência, técnicas de engenharia de recursos e desempenho comparativo mostra que os atuais sistemas de aprendizagem profunda atingem taxas de classificação quase perfeitas em ambientes experimentais, mas limitações fundamentais em sua generalização, eficiência computacional, preservação da privacidade e explanabilidade permanecem uma restrição para sua implantação em ambientes do mundo real. É importante ressaltar que isso é muito trabalho, mas menos de 6 % dos estudos revisados (sete em 120) usam meta-aprendizagem, aprendizado de transferência ou abordagens de poucos disparos explicitamente, o que reflete a contínua falta de capacidade no campo da generalização adaptativa e uma deficiência em abordar ataques de dia zero e mudança de domínio em ambientes de nuvem dinâmicos. Propomos o paradigma emergente da meta-aprendizagem como o mais promissor para detecção de intrusão baseada em nuvem de próxima geração, que pode ser adaptado a novos domínios com pouquíssimos exemplos rotulados - superando diretamente as três principais limitações das abordagens existentes, a saber, o gap de detecção de dias zero, as limitações de deslocamento de domínio e a escassez de rótulos. Esta revisão oferece uma base estruturada para pesquisadores e profissionais que projetam sistemas de detecção explicável, de preservação da privacidade e computacionalmente eficientes e destaca a necessidade crítica de se mover ao longo do caminho de projetar sistemas de detecção de intrusão baseados em nuvem baseados em meta-aprendizagem.