Busca avançada
Ano de início
Entree

Técnicas adaptativas de detecção de intrusão para cidades inteligentes baseadas em internet das coisas

Processo: 21/10234-5
Modalidade de apoio:Bolsas no Brasil - Pós-Doutorado
Data de Início da vigência: 01 de fevereiro de 2022
Data de Término da vigência: 18 de dezembro de 2022
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Acordo de Cooperação: CNPq - INCTs
Pesquisador responsável:Fabio Kon
Beneficiário:Mosab Hamdan Adam Mohamed Alhassan
Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Vinculado ao auxílio:14/50937-1 - INCT 2014: da Internet do Futuro, AP.TEM
Assunto(s):Sistemas de detecção de intrusão   Cidades inteligentes   Internet das coisas   Redes de computadores   Sistemas distribuídos
Palavra(s)-Chave do Pesquisador:Cidades Inteligentes | Internet das Coisas | Redes de Computadores | Sistemas Distribuídos | Detecção de Intrusão

Resumo

Por conta da expansão em grande escala da Internet das Coisas (IoT) para gerenciar, de forma sustentável, os recursos em cidades inteligentes, torna-se necessária uma nova arquitetura de sistemas de detecção de intrusão (IDS) para proteger a infraestrutura contra invasões. Com o aumento dos dispositivos conectados, um IDS centralizado (baseado em nuvem) sofre com a latência excessiva e com a sobrecarga da rede, resultando em detecção lenta e em ausência de reação a alguns ataques. Além disso, ao considerar a complexidade e a dinâmica da IoT, as principais questões que possivelmente surgirão no uso das tecnologias de IoT em um futuro próximo são o consumo de energia e o consumo de memória, tornando aplicações de ciber segurança para cidades inteligentes com recursos limitados um desafio. Isso ocorre porque a arquitetura de segurança atual é obsoleta para lidar com a complexidade e a dinâmica envolvidas em ameaças recentes à segurança, principalmente em IoT. A solução que será proposta nesta pesquisa estará ciente das consequências, em termos de utilização de recursos, que aplicativos de cidades inteligentes baseados em IoT causarão ao fornecer soluções que entreguem os serviços requisitados pelo usuário final ao mesmo tempo em que garantem segurança nos dispositivos. Este projeto pretende alcançar os seguintes objetivos: projetar e desenvolver um sistema de detecção de anomalias leve e eficiente para objetos de cidades inteligentes baseados em IoT, minimizando o consumo de energia e memória durante processamento e transmissão de dados, ao mesmo tempo em que atinge alta precisão; aumentar a eficácia de detecção de um IDS para cidades inteligentes baseadas em IoT para detectar ataques de roteamento; melhorar a eficácia e eficiência da detecção ao aplicar o IDS em um ambiente inteligente baseado em redes IoT distribuídas. O resultado final combinará todos os mecanismos propostos e será uma potencial solução para lidar com ataques de roteamento em dispositivos inteligentes usados na IoT. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
DA SILVA OLIVEIRA, GIOVANNI APARECIDO; SILVA LIMA, PRISCILA SERRA; KON, FABIO; TERADA, ROUTO; BATISTA, DANIEL MACEDO; HIRATA, ROBERTO; HAMDAN, MOSAB; MORAES, IM; CAMPISTA, MEM; GHAMRI-DOUDANE, Y; et al. A Stacked Ensemble Classifier for an Intrusion Detection System in the Edge of IoT and IIoT Networks. 2022 IEEE LATIN-AMERICAN CONFERENCE ON COMMUNICATIONS (LATINCOM), v. N/A, p. 6-pg., . (14/50937-1, 21/10234-5, 15/24485-9)
HASSAN, MOHAMED KHALAFALLA; ARIFFIN, SHARIFAH HAFIZAH SYED; GHAZALI, N. EFFIYANA; HAMAD, MUTAZ; HAMDAN, MOSAB; HAMDI, MONIA; HAMAM, HABIB; KHAN, SULEMAN. Dynamic Learning Framework for Smooth-Aided Machine-Learning-Based Backbone Traffic Forecasts. SENSORS, v. 22, n. 9, p. 27-pg., . (21/10234-5)