Detecção de DDoS na Internet das Coisas utilizando Métodos de Aprendizado de Máquina com Retreinamento

• Processo: 23/13669-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de novembro de 2023
• Data de Término da vigência: 31 de março de 2024
• 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: João Gabriel Andrade de Araujo Josephik
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 21/06995-0 - Starling: segurança e alocação de recursos em B5G via técnicas de inteligência artificial, AP.R
• Assunto(s): Aprendizado computacional Segurança cibernética Internet das coisas Redes de computadores
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Cibersegurança | DDoS | Internet das Coisas | Retreinamento | Redes de Computadores

Resumo

A evolução constante de botnets para causar ataques DDoS na Internet das Coisas (IoT) e a baixa capacidade de armazenamento e processamento dos dispositivos desse ambiente computacional, justificam a necessidade de um IDS (Intrusion Detection System) centralizado capaz de realizar retreinamento do modelo em busca de novos ataques. Uma boa solução para esse cenário é que o IDS centralizado realize o retreinamento de forma constante com todo o tráfego (esse IDS pode estar localizado no gateway principal da rede) e que a inferência seja realizada individualmente pelos dispositivos apenas considerando o tráfego de cada dispositivo. O bolsista selecionado realizará experimentos com diversas técnicas de retreinamento e de feature engineering em conjuntos de dados existentes para determinar as técnicas mais adequadas para esse contexto. Uma tarefa adicional do bolsista será escrever códigos de pré-processamento para gerar arquivos CSV a partir dos pcap dos conjuntos de dados de modo a focar nas features mais importantes. (AU)