Search

Distributed Denial of Service (DDoS) attacks are one of the major problems affecting Internet stability, an early detection of the attack is still an important factor for mitigation measures. In this work, we present an algorithm that analyzes and detects DDoS attacks in the network data flow. It uses the Density of Maxima technique based on the Chaos Theory. The experiments were performed using synthetic traffic data generated with the JMeter tool, actual data from the 1998 World Cup, data sets from CAIDA 2007 and DARPA 2009. All experiments demonstrated the effectiveness of the technique in identifying the time of the attacks, as well as the suitability of our proposal to be used together with a DDoS detection algorithm. Nenhuma Ataques do tipo Distributed Denial of Service (DDoS) são um dos grandes problemas que afetam a estabilidade da Internet, uma detecção precoce do ataque ainda é um fator importante para mitigar os prejuízos causados por eles. Neste trabalho, é apresentado um algoritmo que analisa e detecta ataques DDoS em um fluxo de dados de redes. Ele usa a técnica da Densidade de Máximos, baseada na Teoria do Caos. Os experimentos foram realizados usando dados contendo tráfego sintético gerados com a ferramenta JMeter, dados reais da Copa do Mundo de 1998, os conjuntos de dados do CAIDA 2007 e DARPA 2009. Todos os experimentos demonstraram a eficácia da técnica em identificar o momento em que os ataques ocorreram, bem como a sua aptidão para ser usada junto ao um algoritmo de detecção de ataques DDoS.

Submitted by Mario BC (mario@bc.ufrpe.br) on 2022-03-30T13:10:24Z No. of bitstreams: 1 Felipe Victor de Sa Oliveira.pdf: 2029113 bytes, checksum: c3a04b74935beb6840ac5e60dc9608ce (MD5) Made available in DSpace on 2022-03-30T13:10:24Z (GMT). No. of bitstreams: 1 Felipe Victor de Sa Oliveira.pdf: 2029113 bytes, checksum: c3a04b74935beb6840ac5e60dc9608ce (MD5) Previous issue date: 2019-02-28 Breast cancer has been a growing problem for women all over the world. The correct interpretation of mamographic images is important for the diagnosis of breast cancer. However, this is a difficult task even for a specialist. Image processing is used to make the diagnosis less susceptible to errors. In this way, the present work proposes a new method for the selection of candidates for mass in mammography images, using algorithms to detect points of interest for the generation of the candidates. The behavior of SURF, SIFT, BRISK and ORB was analyzed. Furthermore, to prove the efficiency of the approach, the proposed method was compared with the algorithms EdgeBoxes, Rahtu, RandomPrim, Rantalankila, MCG and SelectiveSearch. We used 1210 mammography images acquired from the CBIS-DDSM database. Results showed that the proposed method, based on SURF algorithm presented the best performance, generating on average, for each image, 4.11 of considered candidates in the internal mass area and 10.20 candidates with threshold of IoU > 0.5 and reduction of exploratory space in 72%. Additionally, it was possible to obtain the best accuracy rate in location of masses, between the compared techniques, with 98.13% on average, best rate of medium accuracy with 0,34 mAP and lower execution cost, taking to only 0.001 seconds to generate each mass candidate. O câncer de mama tem sido um problema crescente para as mulheres em todo o mundo. A correta interpretação de imagens mamográficas é importante para obtenção do diagnóstico do câncer de mama. Porém, esta é uma tarefa difícil até mesmo para um especialista. O processamento de imagens é utilizado para tornar o diagnóstico menos suscetível a erros. Desta forma, o presente trabalho propõe um novo método para seleção de candidatos à lesão em imagens mamográficas, baseado na utilização de algoritmos de detecção de pontos de interesse para geração dos candidatos. Foi analisado o comportamento dos algoritmos SURF, SIFT, BRISK e ORB. Ainda, para comprovar a eficiência da abordagem, o método proposto foi comparado aos algoritmos de propostas de objetos EdgeBoxes, Rahtu, RandomPrim, Rantalankila, MCG e SelectiveSearch. Foram utilizadas 1210 imagens de mamografia adquiridas da base CBIS-DDSM. Resultados mostram que o método proposto com base no algoritmo SURF apresentou melhores desempenhos, gerando em média, para cada imagem, 4,11 candidatos considerados na área interna da lesão e 10,20 candidatos com limiar de IoU > 0.5 e redução do espaço exploratório em 72%. Além disso, foi possível obter a melhor taxa de precisão em localização das lesões entre as técnicas comparadas, com 98,13% em média, melhor taxa de precisão média com mAP de 0,34 e menor custo de execução, levando apenas 0,001 segundo para geração de cada candidato à lesão.

O conceito de Blockchain surgiu em 2008 como uma estrutura de rede distribuida, capaz de garantir segurança às transações realizadas utilizando a moeda digital Bitcoin, sem a necessidade de intermediários para validá-las. Apesar de seu início estar ligado às criptomoedas, o seu uso se diversificou. Existem vários projetos utilizando a tecnologia Blockchain, como validação de documentos, votação eletrônico e a tokenização de bens não perecíveis. Com o seu crescente uso, surge a preocupação com possíveis ataques que possam ameaçar a integridade da cadeia e comprometer a segurança dos dados. Um dos ataques mais conhecidos é chamado na literatura como "Selfish Miner", ou Minerador Egoísta, onde alguns nós maliciosos podem desviar seu comportamento do padrão ao não divulgarem imediatamente os seus blocos recém minerados, mantendo uma cadeia de blocos privada, com o objetivo de conseguir suplantar a cadeia honesta no momento da publicação, o que pode resultar em uma parcela desproporcional de recompensas para esses nós. Outro ataque é denominado Stalker Miner, ou Minerador Perseguidor, uma variação da estratégia de mineração egoísta que tem como objetivo impedir a publicação de um bloco ou transação específica de um nó, não necessariamente com fins econômicos. O objetivo desta dissertação é apresentar uma heurística para detectar a presença de ataque de mineração egoísta (e suas variações) na Blockchain que usa o algoritmo Proofof-Work (PoW) ou Prova-de-Trabalho, com base no aumento da taxa de forks, com uma determinada altura, que é apresentada quando a rede está sob influência de tais ataques. O algoritmo de detecção foi capaz de identificar com precisão 99,98% das tentativas do ataque de mineração egoísta e 99,85% dos casos de ataque do perseguidor. A avaliação do algoritmo foi realizada através da quantidade de Falsos Posistivos e Verdadeiros Positivos identiicada após a identificação da ocorrência de ataque. Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Computação da Universidade Federal Fluminense como requisito parcial para a obtenção do Grau de Mestre em Computação. Área de concentração: Sistemas de Computação. Blockchain’s concept emerged in 2008 as a distributed network structure, capable of guaranteeing security for transactions made using the Bitcoin digital currency, without the need for intermediaries to validate them. Although its beginning was linked to the cryptocurrencies, its use has diversified. There are several projects using Blockchain technology, such as document validation, electronic voting and the tokenization of non- perishable goods. With its increasing use, concerns arise about possible attacks that could threaten the integrity of the chain and compromise data security. One of the most well- known attacks is called in the literature as Selfish Miner, where some malicious nodes can deflect their behavior from the pattern by not immediately disclosing their newly mined blocks, keeping a blockchain private, with the goal of succeeding in overcoming the honest chain at the time of publication, which may result in a disproportionate share of rewards for those nodes. Another attack is called Stalker Miner, a variation of the selfish mining strategy that aims to prevent the publication of a specific block or transaction of a node, not necessarily for economic purposes. The objective of this dissertation is to present a heuristic to detect the presence of selfish mining attack (and its variations) in Blockchain using the Proof-of-Work (PoW) algorithm, based on the increase of the forks, with a certain height, which is displayed when the network is under the influence of such attacks. The detection algorithm was able to accurately identify 99,98% of the selfish mining attack attempts and 99,85% of the pursuer’s attack cases. The evaluation of the algorithm was performed through the number of False Positive and True Positive identified after the identification of the occurrence of the attack.