DDoS 방어의 기존 방식은 공격이 서버에 도달한 후 탐지하고 차단하는 사후 대응이었다. 하지만 공격 규모가 커질수록 이 방식은 한계가 있다. 트래픽이 서버에 도달하기 전, 네트워크 중간 지점에서 차단할 수 있다면?이번 연구는 프로그래머블 스위치와 머신러닝을 결합한 인-네트워크 DDoS 완화 시스템을 제안했다. 트래픽이 네트워크를 통과하는 과정에서 실시간으로 분류하고 악성 트래픽을 차단하는 접근이다.
핵심 아이디어: P4 스위치에 ML 모델의 추론 기능을 내장해,별도의 서버 없이 데이터 플레인에서 직접 공격 탐지가 가능하다. 지연 시간이 극도로 낮고,중앙 서버 의존도가 없어 단일 장애점이 없다.
실험 결과: 기존 소프트웨어 기반 탐지 대비 처리량 3배, 지연 시간 90% 감소. 오탐률은 2.3%로 실용 수준이었다.
소프트웨어 정의 네트워킹과 프로그래머블 데이터 플레인의 발전이 네트워크 보안의 패러다임을 바꾸고 있다.
📖 *ML-driven in-network DDoS mitigation* |
논문Traditional DDoS defense detects and blocks after attacks reach servers — reactive mitigation. As attack scale grows, this approach reaches limits. What if malicious traffic could be blocked at network midpoints before reaching servers?
This study proposed an in-network DDoS mitigation system combining programmable switches (P4, SmartNIC) with machine learning. Traffic is classified in real-time as it traverses the network, blocking malicious traffic en route.
Key innovation: ML inference embedded in P4 switches enables attack detection directly in the data plane without separate servers — extremely low latency (nanosecond-scale), no central server dependency, eliminating single points of failure.
Results: 3x throughput and 90% latency reduction versus software-based detection. False positive rate 2.3% — practical level.
Software-defined networking and programmable data plane advances are transforming network security paradigms.
📖 *ML-driven in-network DDoS mitigation (System evaluation)*
