Detecção de intrusão em redes 5G para comunicação M2M utilizando técnicas de aprendizado de máquina

Abstract

Este trabalho investiga a aplicação de técnicas de Machine Learning (ML) para detectar intrusões ci- bernéticas em redes de comunicação 5G, com foco especial na comunicação Machine-to-Machine (M2M). Devido à falta de datasets públicos especı́ficos para comunicação M2M, utilizam-se dados de redes 5G em User Equip- ments (UEs) para desenvolvimento e avaliação dos modelos. Diversos modelos de classificação foram treinados utilizando conjuntos de features selecionados por diferentes métodos e atingiu-se um F1-score de 100%, com XG- Boost (XGB) e Random Forest (RF) sendo os melhores modelos. Adicionalmente, foi realizada uma validação dos modelos em um contexto de comunicação M2M, evidenciando a viabilidade parcial da aplicação desses modelos devido às limitações de dados disponı́veis. Além disso, destaca-se a importância de gerar novos datasets e apri- morar as técnicas de detecção para enfrentar desafios cibernéticos futuros em redes 5G e sistemas de transporte inteligentes. O trabalho dá continuidade à pesquisa realizada anteriormente no projeto OBNZip, que focou em simulações e na validação de um protótipo para comunicação submarina. A transição para o estudo de comunicação 5G tem como objetivo utilizar dados reais por meio de datasets mais completos para remediar as incertezas quanto à mo- delagem do tráfego de redes submarinas e utilizar técnicas de Aprendizado de Máquina para uma detecção de intrusão mais eficiente.