XM-Guards: A Blockchain-Based Collaborative Intrusion Detection Argumentation Framework For Decision-Making

Au cours des dernières années, les attaques de cybercriminels ont connu une augmentation significative, touchant des millions de personnes dans le monde entier. La pandémie de COVID-19 a aggravé le problème, conduisant à des attaques plus sophistiquées se propageant rapidement et affectant des organisations à l’échelle mondiale. Les systèmes de détection d’intrusion collaboratifs (CIDS) sont devenus essentiels dans la lutte contre les attaques cybernétiques. Cependant, avec la nature en constante évolution et la gravité croissante des attaques, des solutions de détection d’intrusion collaboratives plus avancées sont nécessaires. Ces nouvelles solutions introduisent des propriétés innovantes, telles que la prise en considération du niveau de confiance associé à chaque participant dans le processus de détection pour faire face au risque d’intrusion interne. Cette thèse propose une solution déployable de détection d’intrusion collaborative pour les réseaux de surveillance et de détection d’attaques dans les grandes entreprises. La solution se concentre sur l’incorporation de la confiance et de la logique d’argumentation pour lutter contre l’intrusion interne. La recherche commence par une étude approfondie des systèmes de détection existants dans les entreprises et un examen plus large des systèmes de détection d’intrusion collaboratifs. Sur la base de cette recherche, la topologie la plus appropriée pour la communication et la distribution des noeuds est déterminée et le réseau de détection d’intrusion est déployé en conséquence. Pour répondre à l’aspect « zéro confiance », un environnement répondant à cette exigence est identifié. La technologie de la blockchain, avec son architecture distribuée et ses fonctionnalités de traçabilité et de validation d’interaction, émerge comme une solution potentielle pour créer l’environnement nécessaire. En plus de l’infrastructure réseau, une procédure de partage de données et de prise de décision est conceptualisée et implémentée en utilisant la logique d’argumentation. Cette approche capture la complexité et la dynamique des événements multiples et de leurs relations, permettant une meilleure détection et réponse aux menaces cybernétiques. Grâce au cadre de détection d’intrusion collaborative mis en oeuvre, nous avons été en mesure de générer des arguments à partir de détections réelles, d’échanger ces arguments pour le processus d’argumentation, et de construire un graphe d’argumentation qui capture le processus de décision. À titre de travail future, nous proposons l’enrichissement des arguments avec des indicateurs d’attaque à plusieurs étapes. En incorporant des indicateurs supplémentaires et en utilisant des algorithmes d’apprentissage automatique, le système de détection peut améliorer encore sa capacité à identifier et à répondre à des attaques complexes et à plusieurs étapes, améliorant la posture globale de sécurité des grandes entreprises. Avec l’évolution continue des menaces cybernétiques, il est crucial de développer des solutions de détection d’intrusion collaboratives avancées qui tirent parti de la confiance, de la logique d’argumentation et des indicateurs enrichis pour faire face à la sophistication croissante des attaques. Cette recherche pose les bases d’une telle solution et présente des pistes prometteuses pour un développement et une amélioration ultérieurs dans le domaine de la détection d’intrusion collaborative.