Aperfeiçoamentos em Sistemas de Detecção de Intrusão para Internet das Coisas nas Redes de Nova Geração

Abstract

A questão central na área das redes IoT (Internet das Coisas) reside na complexa tarefa de implantar sistemas de detecção de intrusão, dadas as restrições de recursos inerentes aos dispositivos conectados a essa infraestrutura. Para garantir a integridade, disponibilidade e autenticidade na rede, é crucial identificar e categorizar tentativas de intrusão. Na literatura especializada, é comum recorrer a abordagens baseadas em aprendizado de máquina supervisionado para lidar com esse desafio. Este estudo implementa uma arquitetura fundamentada em redes neurais artificiais (RNAs) com o propósito de identificar e categorizar intrusões em ambientes de Fog e IoT. O objetivo principal é investigar e comparar duas abordagens: treinamento federado (federated learning) e a abordagem centralizada tradicional, ambas aplicadas à base de dados IoTID20. Os resultados revelaram que as abordagens com treinamento federado alcançaram maior precisão na identificação de intrusões. Isso é um resultado extremamente positivo, pois destaca-se as abordagens federadas oferecem maior segurança em termos de privacidade, o que é um fator relevante a ser considerado.