Detección de ataques DDOS de baja intensidad en SDN mediante análisis de entropía de flujos y modelos de machine Learning interpretables

Abstract

El presente trabajo investigativo aborda los ataques DDoS de baja intensidad en redes definidas por software, los cuales degradan progresivamente la disponibilidad de los servicios sin generar picos evidentes de tráfico, dificultando su detección mediante mecanismos tradicionales basados en umbrales o volumen de paquetes. El propósito global consistió en la implementación de un sistema de detección de ataques DDoS low-rate en redes SDN a partir del análisis de la entropía de flujos y de modelos de Machine Learning interpretables. Para ello, se hizo uso de una metodología basada en el modelo en cascada que contempló el análisis del estado del arte, la definición de requerimientos a partir de la norma ISO/IEC/IEEE 29148, el diseño de la arquitectura SDN, la implementación (Ryu, OpenFlow, Entropía de Rényi y XGBoost) y la evaluación en tres escenarios de prueba. Además, se empleó STRIDE para analizar amenazas, con énfasis en denegación de servicio. Los resultados mostraron que sin seguridad los ataques ICMP, TCP y UDP afectaron la estabilidad de la red, elevaron la carga del controlador y degradaron servicios HTTP y VoIP. Con seguridad el sistema alcanzó 98,95 % de exactitud en ICMP mixto y 99,51 % en TCP mixto, aunque presentó limitaciones en UDP/VoIP por falsos positivos. A partir de los resultados obtenidos, se evidencia que el sistema propuesto contribuye al fortalecimiento de la seguridad en redes SDN al permitir la detección, análisis y respuesta frente a ataques DDoS de baja intensidad, integrando métricas de comportamiento del tráfico, clasificación automática e interpretabilidad para mejorar la visibilidad del plano de control y apoyar la toma de decisiones ante eventos que afectan la disponibilidad de la red.