Abordagem de Detecção de Intrusão Multi-classe Utilizando Técnicas de Aprendizado de Máquina​

Abstract

Nos últimos anos vimos uma rápida expansão da IoT (Internet of Things) novos objetos inteligentes aparecem a todo momento, criando oportunidades para aplicações em diversas áreas, por exemplo, na área meteorológica, agrícola, automobilística, dentre outras. Os dispositivos IoT comumente possuem poder computacional, armazenamento e consumo de energia limitados. No entanto, são capazes de gerar uma quantidade substancial de dados. Devido a essas limitações várias arquiteturas foram propostas, ao longo dos anos, com o intuito de integrar os paradigmas de IoT e computação em nuvem (Cloud Computing). Desse modo, fazendo com que os trabalhos custosos de processamento e armazenamento de dados fossem realizados em nuvem. Porém, com o crescimento exponencial de dispositivos IoT o modelo centralizado de processamento em nuvem se tornou inviável principalmente em aplicações de tempo real, devido ao grande consumo de banda requerido e a alta latência. Com isso surgiu o paradigma de computação em nevoeiro (Fog Computing), oferecendo uma camada intermediária onde tomada de decisões e parte do processamento de dados pudesse ser realizada mais perto dos dispositivos. Tendo em vista que a computação em nevoeiro é um paradigma recente, as pesquisas relacionadas à segurança ainda estão em estágio inicial. O presente trabalho propõe uma abordagem de detecção de intrusão por anomalia no contexto de computação em nevoeiro. A abordagem se baseia no método Random Forest (RF) para realizar a classificação do tráfego de rede em classes de ataques. Através de experimentos com a base de dados IoTID20 foram alcançados resultados interessantes em relação a outras técnicas de machine learning.