Impacto da localização do processamento de grandes volumes de dados para detecção de ameaças à segurança da informação

• Processo: 20/08057-5
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de dezembro de 2020
• Data de Término da vigência: 15 de agosto de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Daniel Macêdo Batista
• Beneficiário: Guilherme Weigert Cassales
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 18/22979-2 - IoT-SED: segurança e eficiência no transporte de dados na Internet das Coisas, AP.R
• Assunto(s): Aprendizado computacional Internet das coisas Redes de computadores Segurança da informação Arquitetura de software
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | IoT | segurança | Vulnerabilidades | Redes de Computadores

Resumo

Um sistema voltado para detecção de ameaças à segurança da informação em cidades inteligentes tem como requisito a necessidade de lidar com grandes volumes de dados. Processar grandes volumes de dados justifica a utilização de ambientes paralelos e distribuídos, entretanto, ambientes distantes do local onde o dado é gerado podem acarretar em atrasos elevados, tornando a detecção inútil caso ela seja informada tarde demais. Além disso, a movimentação de dados para ambientes de terceiros deve ser avaliada em termos de privacidade. Por fim, as técnicas utilizadas para a detecção das ameaças também impactam a forma como os dados devem ser paralelizados, justificando um estudo sobre o desempenho das mesmas. O bolsista investigará os prós e contras de se processar grandes volumes de dados provenientes de tráfego de redes em localidades próximas do usuário (na borda da rede) ou distantes (em nuvens públicas) quando o objetivo é detectar ameaças à segurança da informação. Essa investigação levará a uma arquitetura de software e a mecanismos de aprendizado de máquina que garantam escalabilidade, privacidade, detecção antecipada de ataques e baixo custo. (AU)