Identificação e reconhecimento de dispositivos com aprendizado federado para detecção de intrusão em sistemas de IoT

• Processo: 24/12903-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 31 de agosto de 2025
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: João Henrique Kleinschmidt
• Beneficiário: Ogobuchi Daniel Okey
• Supervisor: Sajjad Dadkhah
• Instituição Sede: Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas (CECS). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Instituição Anfitriã: University of New Brunswick, Fredericton (UNB Fredericton), Canadá
• Vinculado à bolsa: 23/07184-1 - Privacidade e segurança de sistemas de detecção de intrusão IoT por meio de aprendizado federado, BP.DR
• Assunto(s): Aprendizado federado Internet das coisas
• Palavra(s)-Chave do Pesquisador: Device identification | Federated Learning | Internet of Things | Intrusion Detection | Internet das Coisas, segurança, inteligência artificial

Resumo

Esta proposta de projeto busca abordar a necessidade crítica de detecção de intrusão escalável e orientada à privacidade na Internet das Coisas (IoT). Métodos centralizados clássicos têm mostrado ineficiências em vista do grande volume e heterogeneidade de dispositivos IoT. Para tratar desses desafios, as fingerprintings (impressões digitais) do dispositivo serão extraídas usando informações comportamentais e estatísticas, que são então aplicadas para desenvolver um modelo federado para identificar dispositivos com base nas informações fingerprintingl. O processo é então integrado aos sistemas de detecção de intrusão (IDS), o que ajuda a garantir que apenas dispositivos seguros contribuam com suas informações (dados, energia, pesos) para o IDS. Por meio do isolamento proativo de dispositivos potencialmente comprometidos identificados na rede de se envolverem na transmissão de dados, os riscos de expor todos os dispositivos a ameaças são eliminados. Com a introdução da arquitetura de aprendizagem federada, uma garantia é estabelecida na privacidade das informações do dispositivo enquanto as fingerpinring são extraídas. O sistema proposto envolverá dois módulos: fingeprintingl do dispositivo e identificação. Por fim, os recursos identificados são empregados para treinar o modelo de identificação do dispositivo usando algoritmos de aprendizado de máquina adequados. Como parte de um projeto de doutorado maior focado na otimização de IDS centrados na privacidade e com comunicação eficiente para IoT, esta pesquisa contribuirá para detectar e isolar dispositivos comprometidos em ambientes de aprendizagem federada. Ao garantir que apenas dispositivos confiáveis ¿¿participem do processo de aprendizagem, o sistema proposto aumentará a robustez do projeto de doutorado em termos de precisão, confiabilidade e segurança do IDS baseado em IoT. Além disso, ao garantir que apenas dispositivos identificados e permitidos contribuam para o processo de construção do IDS, abordamos o desafio do gargalo de comunicação, pois a largura de banda de rede disponível não será consumida por dispositivos não solicitados.