Investigando modelos de IA adversarial e TinyML para Aplicações Colaborativas em Cibersegurança

• Processo: 25/02406-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Michele Nogueira Lima
• Beneficiário: Gabriel Machado Violante
• Instituição Sede: Instituto de Ciências Exatas (ICEx). Universidade Federal de Minas Gerais (UFMG). Ministério da Educação (Brasil). Belo Horizonte , SP, Brasil
• Vinculado ao auxílio: 18/23098-0 - MENTORED: da modelagem à experimentação - predizendo e detectando ataques DDoS e zero-day, AP.TEM
• Assunto(s): Aprendizado computacional Internet das coisas Segurança de redes Redes de computadores
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Internet das Coisas | Segurança de Redes | Redes de Computadores

Resumo

A detecção de atividades maliciosas em redes tem evoluído ao longo do tempo, aprimorando a segurança cibernética e tornando o monitoramento do tráfego mais eficiente. No entanto, essa tarefa ainda enfrenta desafios significativos, especialmente devido às limitações computacionais de dispositivos de borda, que dificultam a aplicação de modelos tradicionais de aprendizado de máquina. Diante desse cenário, torna-se essencial o desenvolvimento de soluções otimizadas, capazes de operar eficientemente em ambientes com restrições de hardware. Assim esta iniciação científica propõe a pesquisa e implementação de modelos de I.A. adversarial em TinyML para o monitoramento e detecção de comportamentos maliciosos em redes utilizando dispositivos de borda. Além disso, o projeto explorará o uso de amostras adversariais geradas por modelos de I.A. generativa, tanto para aprimorar a robustez desses sistemas contra tentativas de evasão quanto para potencialmente introduzir tráfego adversarial na rede como estratégia de defesa. O objetivo é contribuir para a evolução das estratégias de detecção de ataques no contexto do projeto MENTORED, fortalecendo a cibersegurança por meio da aplicação de técnicas de aprendizado de máquina em sistemas embarcados.