Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things

Página do item simplificado
dc.contributor.advisorRosset, Valerio [UNIFESP]
dc.contributor.advisor-coCarvalho, André Carlos Ponce de Leon Ferreira de
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/9674541381385819pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/4783303936149244pt_BR
dc.contributor.authorAlmeida, Maíra Baptista de [UNIFESP]
dc.contributor.authorLatteshttp://lattes.cnpq.br/2317906488741286pt_BR
dc.date.accessioned2022-11-11T13:38:13Z
dc.date.available2022-11-11T13:38:13Z
dc.date.issued2022-08-16
dc.description.abstractA Internet das Coisas ou IoT (Internet of Things) é um dos paradigmas tecnológicos com rápido crescimento nos últimos anos. No entanto, os esforços para tornar e manter esse ambiente seguro não avançam da mesma forma. Conforme o número de nós de dispositivos de IoT cresce novas ameaças aparecem. Sistemas de Detecção de Intrusão, ou SDIs, são um mecanismo clássico de segurança de redes, porém não são facilmente aplicáveis no contexto de IoT devido aos recursos limitados que esse paradigma dispõe. Baseado nos preceitos clássicos dos SDIs esta dissertação busca introduzir uma arquitetura de segurança capaz de proteger a rede de IoT. A arquitetura em questão é inspirada na teoria de Sistemas Imunológicos Artificiais devido a sua natureza distribuída. A arquitetura de segurança proposta inclui módulos com tarefas especializada , distribuídos através das diferentes camadas da rede (Nuvem, Névoa e Borda). Esses módulos possuem diferentes objetivos, como monitoramento de regiões da rede, agregação de informações, treinamento e armazenamento de modelos de classificação automática, assim como controle de recursos. O módulo de monitoramento, nomeado nesta dissertação como Célula Monitora, classifica o tráfego da rede de IoT, agindo como um detector de anomalias. Usando um conjunto de dados próprio para tarefa de desenvolvimento de SDIs, um detector de intrusão foi implementado baseado numa abordagem distinta combinando Aprendizado Federado e Aprendizado Ativo. Para lidar com um grande número de características no conjunto de dados, o número de características foi reduzido em um passo de seleção de características. Diferentes algoritmos de classificação foram utilizados, e sua eficiência foi avaliada através de métricas estatísticas. O método combinado, chamado de Aprendizado Fed-Active, obteve uma porcentagem de acurácia balanceada de 97,6%.pt_BR
dc.description.abstractThe Internet of Things (IoT) is one of the fastest growing technology paradigms to date. However, efforts in securing this environment do not advance as fast. Intrusion Detection Systems, or IDS, are a classical type of network security mechanism, but are not trivially applicable to IoT devices, due to their limited resources. Based on the tenets of classical IDSs and in order to leverage a secure environment for IoT devices, this project introduces a security architecture capable of protecting an IoT network. The architecture was inspired by the theory of Artificial Immune Systems, which was selected because of its successful use in security applications and anomaly detection, and its distributed nature. The security architecture proposed includes modules with well defined tasks, distributed across the different network layers (Cloud, Fog and Edge). These modules are tasked with monitoring network regions, information aggregation, training and storage of traffic classification models, as well as resource control. The monitoring module, named in this dissertation Monitor Cell, classifies the IoT network’s traffic, acting as an Anomaly Detector. Using a dataset tailored for the task of training Intrusion Detectors, an Intrusion Detector model based on a distinct approach combining Federated and Active Learning was implemented. In order to deal with a high amount of dataset features, a feature selection step was done to reduce the number of features. The combined method, named Fed-Active Learning, achieved an balanced accuracy score of 0.976.pt_BR
dc.description.sponsorshipNão recebi financiamentopt_BR
dc.emailadvisor.customvrosset@unifesp.brpt_BR
dc.format.extent98 f.pt_BR
dc.identifier.urihttps://repositorio.unifesp.br/handle/11600/65866
dc.languageengpt_BR
dc.publisherUniversidade Federal de São Paulopt_BR
dc.rightsinfo:eu-repo/semantics/openAccesspt_BR
dc.subjectInternet das Coisaspt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectSistemas de Detecção de Intrusãopt_BR
dc.titleArtificial Immune System Approach for an Intrusion Detection System for the Internet of Thingspt_BR
dc.typeinfo:eu-repo/semantics/masterThesispt_BR
unifesp.campusInstituto de Ciência e Tecnologia (ICT)pt_BR
unifesp.graduateProgramCiência da Computaçãopt_BR
unifesp.researchAreaSistemas Computacionais, Sistema Inteligentespt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
_PPGCC____Disserta__o_3_0-1 (1).pdf
Tamanho:
1.7 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação Maira Baptista
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
5.72 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
PPG - Ciência da Computação