🤜🏻ML для защиты от DDos-атак
Алгоритмы машинного обучения активно используются в кибербезопасности, например, для идентификации нетипичного поведения пользователя из-за несанкционированного доступа. Для защиты от DDOS-атак также можно применить ML. Цель DDoS-атаки нарушить работу организации, заполнив сеть, подключенную к Интернету службу или техническую инфраструктуру, окружающую цель, нежелательным трафиком. Объем трафика, направленного на цель, может серьезно ограничить доступность или полностью отключить ее.
DDoS-атаки используют подключенные к Интернету устройства, которые уже были скомпрометированы вредоносным ПО. Злоумышленник использует уже имеющиеся уязвимости в десятках, сотнях, тысячах или даже миллионах устройств для получения удаленного управления. Благодаря повсеместному распространению IoT-устройств, когда в сеть выходит даже домашний холодильник, защита от DDOS-атак актуальна как для бизнеса, так и для частных домохозяйств.
Опрос «Лаборатории Касперского» в 2017 году показал, что стоимость выдерживания DDoS-атаки для малого и среднего бизнеса составила 120 тысяч долларов. Для больших предприятий эта цифра выросла до 2 миллионов долларов. А исследование 2018 года оценило стоимость простоя для крупной организации в диапазоне от 300 до 540 тысяч долларов. Согласно отчету IBM за 2020 год, в США средняя глобальная стоимость утечки данных составила 8,46 миллиона долларов.
С помощью ML можно построить модель бинарной классификации, которая смягчила бы последствия DDoS-атаки на деятельность организации, правильно отличая безопасный трафик от вредоносного. Здесь необходимо уменьшить скорость, с которой ML-модель ошибочно идентифицировала безопасный трафик как вредоносный, а также смягчить последствия DDoS-атаки, правильно идентифицируя вредоносный трафик с вероятностью минимум 90%.
Пример реализации с Dask, XGBoost и Stacked Ensembling: https://towardsdatascience.com/mitigating-ddos-attacks-with-classification-models-aa75ea813d85