Aperfeiçoamentos na abordagem híbrida para detecção de intrusão em ambientes IoT-Fog

Abstract

Com o crescimento da Internet e o rápido aumento na quantidade de informações processadas em sistemas interconectados, a segurança desses sistemas passou a representar um desafio sig- nificativo. As estratégias de detecção e prevenção de intrusões têm como objetivo primordial identificar, reconhecer e prevenir invasões em redes de computadores. A aplicação de métodos de aprendizado de máquina para a detecção de intrusões é um ponto atual de pesquisa. Nesse contexto, a presença de atributos irrelevantes e redundantes pode gerar um impacto adverso no desempenho dos métodos de detecção de anomalias, afetando tanto as métricas de classificação quanto o custo computacional associado. Este trabalho conduziu experimentos para avaliar as técnicas de seleção de atributos Info Gain (IG), Sequential Feature Selection (SFS) e Recur- sive Feature Elimination (RFE). O propósito deste estudo é avaliar a eficácia dessas técnicas na identificação dos atributos mais relevantes, visando a otimização do uso de recursos em dispo- sitivos de computação em névoa (fog computing) e a melhoria do desempenho da abordagem baseada em redes neurais na detecção de intrusões. Embora a técnica Recursive Feature Elimi- nation tenha requerido um tempo maior para a seleção, em comparação com o Info Gain, ela resultou em melhorias significativas no desempenho de detecção, estabelecendo-se como uma das estratégias mais eficazes para a detecção de intrusões.