Desenvolvimento de técnica de detecção de intrusão para mitigação de ataques de manipulação de dados em redes IoT

Abstract

O avanço dos dispositivos IoT em ambientes de saúde tem intensificado a necessidade de mecanismos eficientes de detecção de intrusões, especialmente diante de ataques que manipulam dados sensíveis e podem comprometer decisões clínicas. Modelos tradicionais baseados exclusivamente em computação em nuvem apresentam limitações de latência, disponibilidade e segurança, tornando inadequados cenários que exigem resposta em tempo real. Nesse contexto, este trabalho propõe uma solução híbrida de detecção de intrusões baseada em aprendizado de máquina com suporte de arquitetura distribuída Edge?Fog?Cloud, projetada para operar com baixa latência em sistemas de monitoramento fisiológico. A metodologia empregada envolve a utilização do dataset contemporâneo ToN-IoT, que contém tráfego real de dispositivos IoT e múltiplos tipos de ataques. Foram avaliados e comparados os algoritmos Random Forest, XGBoost, KNN e SVM. Os resultados experimentais demonstram que o Random Forest obteve o melhor desempenho entre os modelos testados, alcançando acurácia de 99,87%, precisão de 99,87%, recall de 98,87% e F1-Score de 99,87%. A arquitetura distribuída Edge?Fog?Cloud foi utilizada como suporte ao processamento próximo à borda, contribuindo para a redução da latência de inferência, permitindo detecção quase em tempo real, além de maior resiliência e independência da nuvem. As principais contribuições deste estudo incluem: (i) a proposição de uma arquitetura híbrida para detecção de intrusões em ambientes IoT sensíveis; (ii) a validação empírica baseada em um dataset moderno e de alta complexidade; e (iii) a demonstração da efetividade de modelos ensemble aplicados a cenários reais de saúde. Os resultados reforçam a viabilidade de soluções de detecção distribuída para ambientes críticos e apontam caminhos promissores para pesquisas futuras.

Abstract: The increasing adoption of IoT devices in healthcare environments has intensified the need for efficient intrusion detection mechanisms, especially in the presence of attacks that manipulate sensitive data and compromise clinical decision-making. Traditional cloud-based approaches often suffer from latency, availability issues, and security limitations, making them unsuitable for scenarios that require real-time responsiveness. In this context, this dissertation proposes a hybrid intrusion detection solution based on machine learning, supported by a distributed Edge?Fog?Cloud architecture designed to operate with low latency in physiological monitoring systems. The methodology employs the contemporary ToN-IoT dataset, which contains real IoT traffic and multiple types of attacks. The machine learning models Random Forest, XGBoost, KNN, and SVM were evaluated and compared. Experimental results show that Random Forest achieved the best performance, reaching 99.87% accuracy, 99.87% precision, 98.87% recall, and 99.87% F1-score. The distributed Edge?Fog?Cloud architecture was used as computational support for edge-near processing, contributing to reduced inference latency, enabling near-real-time detection while increasing system resilience and reducing dependence on the cloud. The main contributions of this research include: (i) The design of a hybrid architecture for intrusion detection in sensitive IoT environments; (ii) An empirical evaluation based on a modern and complex dataset; and (iii) Evidence of the effectiveness of ensemble-based models in realistic healthcare scenarios. The results demonstrate the feasibility of distributed detection mechanisms for critical environments and highlight promising directions for future research.