Decentralized federated learning-based intrusion detection in IOT systems

Abstract

Os sistemas baseados na Internet das Coisas (IoT) são vulneráveis a diversos tipos de ataques, em grande parte devido à fragilidade dos dispositivos IoT, que possuem pouco poder computacional e de memória, necessário para a implementação de recursos de segurança mais sofisticados. Além disso, os sistemas IoT são sistemas distribuídos (dispositivos autônomos interconectados e colaborativos) e, portanto, herdam todos os problemas relacionados à necessidade de garantir a confidencialidade, integridade, autenticidade e disponibilidade. Uma das estratégias tradicionais para lidar com alguns desses problemas envolve a detecção de intrusão e técnicas de prevenção. É comum implementá-los de forma centralizada, o que além de não ser escalável para sistemas IoT com um número crescente de componentes distribuídos, implica em um ponto único inaceitável de falha no sistema. Além disso, o envio de todos os dados coletados para um servidor centralizado na nuvem representa um grande risco para a privacidade das informações. Com o processamento de dados sendo executado na borda, esse problema também é minimizado em uma abordagem distribuída. Esta tese apresenta uma arquitetura de segurança descentralizada para suporte à detecção de intrusão em sistemas baseados em IoT, que é baseada em técnicas de aprendizado de máquina federado para detecção de intrusão, combinado com o uso de tecnologias de razão distribuída para a implementação de autenticação e autorização no acesso a recursos, permitindo obter um mecanismo eficaz e eficiente para minimizar os riscos de segurança em sistemas IoT. Para a avaliação da arquitetura descentralizada foi implementado um protótipo, que permitiu a realização de vários experimentos, que comprovaram sua efetividade, com resultados similares aos obtidos com abordagem centralizada, mas com todas as vantagens oferecidas por uma arquitetura totalmente descentralizada.