Detecção de Intrusão Em Clusters de Orquestração de Contêineres - Proposta de Um Framework Baseado Na Análise Em Tempo Real de System Calls Com Machine Learning Para Detecção de Anomalias

Apesar dos benefícios trazidos pelo uso de contêineres, ameaças e riscos de ataques voltados a essa tecnologia têm crescido em igual proporção à sua adoção. Sistemas de Detecção de Intrusão (IDS) têm sido empregados visando garantir a segurança de ambientes de nuvem e contêineres. Contudo, as características inerentes a esses ambientes têm apresentado novos desafios para garantir um nível de segurança adequado. Estritamente, no escopo de detecção de intrusão em clusters de orquestração de contêineres, poucos estudos foram conduzidos até o momento visando o seu desenvolvimento. Neste trabalho, foi proposto um framework para Detecção de Intrusão baseado em Host (HIDS), através da análise de system calls com machine learning em um cluster de orquestração de contêineres Kubernetes. A abordagem utilizada permite a coleta remota de system calls dos diferentes nós do cluster e a sua análise em tempo real através de uma arquitetura distribuída e escalável. Alertas gerados na ocorrência de anomalias detectadas poderão ser utilizados como fonte de informação complementar para a tomada de decisão e atuação da equipe do Centro de Operações de Segurança (SOC) para tratar um eventual incidente de segurança. A arquitetura proposta foi implementada no software GNS3, emulando um ambiente de rede corporativo para demonstrar a viabilidade de implementação do framework em um ambiente real.