Detecção de Bots Baseada em Caracterização de Dados

Resumo

Nos últimos anos, mitigar as ameaças de Bots tornou-se uma tarefa desafiadora. Além do enorme impacto das actividades maliciosas perpetradas por Bots, o crescimento do uso da Internet contribuiu bastante para o estado actual. Os danos à infra-estructura informática, as perdas económicas, a insatisfação dos utilizadores humanos em determinados ambientes de prestação de serviços, entre outras actividades, estão directamente associados a Bots maliciosos. O problema torna-se ainda mais complexo porque, em algumas ocasiões, utilizadores humanos utilizam aplicações móveis com suas contas de utilizador para obter privilégios no acesso a determinados serviços de comércio. Ou seja, o nível de sofisticação dos Bots é cada vez mais elevado, o que faz com que, em determinadas circunstâncias, os padrões de actividades humanas apresentam as mesmas características que as actividades de Bots. Com esse nível de desenvolvimento, as tarefas de detecção tornam-se cada vez mais complexas e vitais. Neste estudo, propõe-se uma abordagem de detecção baseada em meta-aprendizagem, que serve de apoio à detecção por meio da caracterização de dados de utilizadores (Bots e Humanos). O processo de caracterização baseia-se em um multiclassificador construído a partir de dados de episódios anteriores, nos quais foi utilizado um classificador baseado em Proactive Forest. Realiza-se uma análise estatística para seleccionar o multiclassificador mais adequado baseando-se nos tipos Bagging, Boosting, Voting e Stacking. Sendo o desempenho, medido pelo percentual de instâncias correctamente caracterizadas, o multiclassificador Voting foi o que melhor se adequou, apresentando uma média de 99,6% de instâncias correctamente caracterizadas.