Abordagem para detecção e identificação de intrusão em ambientes de fog computing e iot

DSpace Repository

A- A A+

Abordagem para detecção e identificação de intrusão em ambientes de fog computing e iot

Show full item record

Title: Abordagem para detecção e identificação de intrusão em ambientes de fog computing e iot
Author: Dalenogare, Pedro Silveira
Abstract: A segurança é um dos pontos chaves para o sucesso das tecnologias existentes em geral. Na Internet das Coisas (Internet of Things - IoT), onde há uma grande quantidade de dispositivos gerando e compartilhando um grande volume de dados, não é diferente. Nesta recente tecnologia, a segurança é, sem dúvidas, uma das áreas que merece mais atenção, pois é fundamental para a garantia da integridade e privacidade dos dados dos usuários. Um dos métodos existentes para a manutenção da segurança em IoT são os Sistemas de Detecção de Intrusão, que possuem como objetivo detectar tentativas de ataque e intrusão nos dispositivos inteligentes. Uma prática recorrente no desenvolvimento destes sistemas é a utilização de Redes Neurais Artificiais, uma estrutura que permite a criação de algoritmos de aprendizado de máquina para detecção de intrusão. A maior parte das abordagens existentes focam na detecção binária, ou seja, tratam um evento como normal ou como ataque, sem especificar o tipo do ataque. Outro modelo existente é o de classificação multiclasse, que é capaz de detectar a intrusão e identificar qual tipo de ataque se trata, como por exemplo, de negação de serviço. As abordagens de classificação múltipla servem para auxiliar na execução de contramedidas, pois identificando o tipo de ataque que está sendo executado, torna-se mais fácil contê-lo, facilitando para o gerenciador da rede identificar os ataques mais recorrentes e proteger de forma mais eficiente o sistema em questão. Este trabalho de conclusão de curso tem como objetivo propor uma abordagem para detecção e identificação de intrusão em fog computing e IoT utilizando Redes Neurais Artificiais treinadas para identificar possíveis ataques aos dispositivos.Security is one of the key points for the success of existing technologies in general. In the Internet of Things (IoT), where there is a large amount of devices generating and sharing a large volume of data, it is no different. In this recent technology, security is, without a doubt, one of the fields that deserves more attention, since it is fundamental to guarantee the integrity and privacy of users' data. One of the existing methods for maintaining security in IoT are the Intrusion Detection Systems, which aim to detect attack attempts and intrusion in intelligent devices. A recurring practice in the development of these systems is the use of Artificial Neural Networks, a structure that allows the creation of machine learning algorithms for intrusion detection. Most of the existing approaches focus on binary detection, that is, they treat an event as normal or as an attack, without specifying the type of attack. Another existing model is the multiclass classification, which is able to detect an intrusion and identify what type of attack is, for example, denial of service. The multiple classification approaches serve to assist in the execution of countermeasures, once it is known which type of attack is being executed, it becomes easier to contain, making it easier for a network manager to identify the most recurring attacks and protect the system in question more efficiently. This course conclusion paper aims to propose an approach to detect and identify intrusion in fog computing and IoT using Artificial Neural Networks trained to identify possible attacks to devices.
Description: TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Sistemas de Informação.
URI: https://repositorio.ufsc.br/handle/123456789/218115
Date: 2020-11-25


Files in this item

Files Size Format View Description
TCC.pdf 1.396Mb PDF View/Open TCC

This item appears in the following Collection(s)

Show full item record

Search DSpace


Browse

My Account

Statistics

Compartilhar