Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas

Detalhes bibliográficos
Autor(a) principal: Souza, Cristiano Antonio de
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/254052
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
id UFSC_b757ecfe60637560dca695e47aea0071
oai_identifier_str oai:repositorio.ufsc.br:123456789/254052
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisasComputaçãoInternet das coisasComputação em nuvemAprendizado do computadorTese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.Técnicas especiais de segurança, como mecanismos de detecção de intrusão, são indispensáveis em sistemas computacionais modernos. No entanto, o contexto da Internet das Coisas apresenta desafios para a aplicação dessas técnicas devido às restrições de recursos envolvidos. É importante detectar e identificar ataques em categorias específicas para aplicar contramedidas adequadas a cada tipo de ameaça. No entanto, as abordagens de detecção multiclasse existentes nesse contexto apresentam alguns pontos fracos, principalmente relacionados aos desafios na identificação de categorias específicas de ataques, ao custo computacional envolvido e aos problemas com falsos positivos. Este trabalho aborda esse problema de pesquisa e avança no estado da arte, propondo uma abordagem de detecção multietapas chamada DNNET-Ensemble, que combina detecção binária e multiclasse. Nessa abordagem, o tráfego benigno é liberado rapidamente no primeiro nível de detecção, enquanto o tráfego intrusivo é submetido a um método Ensemble para análise mais robusta sem causar problemas de latência. Para o primeiro nível de detecção é proposto o método DNNET, com a capacidade de oferecer detecção binária precisa e rápida. Também é apresentada uma estratégia federada para treinar o modelo neural do método DNNET sem enviar dados para a nuvem, preservando assim a privacidade dos dados locais. Além disso, algumas melhorias nos processos de seleção de atributos e no balanceamento de classes são propostas, mudando a redução de custos no treinamento dos métodos de detecção. Por fim, é realizada uma breve análise a respeito das abordagens de execução das contramedidas existentes. Os resultados obtidos a partir de experimentos com conjuntos de dados renomados, contendo tráfego de rede intrusivo, demonstram que a abordagem proposta pode alcançar taxas de detecção superiores em comparação com outras abordagens do estado da arte, além de gerar uma baixa taxa de falsos positivos.Abstract: Special security techniques, such as intrusion detection mechanisms, are indispensable in modern computing systems. However, the context of the Internet of Things presents challenges for the application of these techniques due to the resource constraints involved. It is important to detect and identify attacks in specific categories to apply countermeasures appropriate to each type of threat. However, existing multi-class detection approaches in this context have some weaknesses, mainly related to challenges in identifying specific categories of attacks, the computational cost involved, and problems with false positives. This work addresses this research problem and advances the state of the art by proposing a multi-step detection architecture called DNNET-Ensemble, which combines binary and multi-class detection. In this approach, benign traffic is quickly released at the first level of detection, while intrusive traffic is subjected to an Ensemble approach for more robust analysis without causing latency issues. For the first level of detection, the DNNET approach is proposed, with the ability to offer accurate and fast binary detection. A federated strategy is also presented to train the neural model of the DNNET method without sending data to the cloud, thus preserving the privacy of local data. Furthermore, some improvements in the attribute selection and class balancing processes are proposed, aiming to reduce costs in training detection methods. Finally, a brief analysis of existing countermeasure execution approaches is carried out. The results obtained from experiments with renowned datasets containing intrusive network traffic demonstrate that the proposed approach can achieve superior detection rates compared to other state-of-the-art approaches, in addition to generating a low false positive rate.Westphall, Carlos BeckerMachado, Renato BobsinUniversidade Federal de Santa CatarinaSouza, Cristiano Antonio de2024-01-22T12:12:15Z2024-01-22T12:12:15Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis249 p.| gráfs., tabs.application/pdf385793https://repositorio.ufsc.br/handle/123456789/254052porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2024-01-22T13:02:48Zoai:repositorio.ufsc.br:123456789/254052Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732024-01-22T13:02:48Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
title Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
spellingShingle Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
Souza, Cristiano Antonio de
Computação
Internet das coisas
Computação em nuvem
Aprendizado do computador
title_short Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
title_full Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
title_fullStr Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
title_full_unstemmed Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
title_sort Detecção e prevenção de intrusão em computação de nevoeiro e internet das coisas
author Souza, Cristiano Antonio de
author_facet Souza, Cristiano Antonio de
author_role author
dc.contributor.none.fl_str_mv Westphall, Carlos Becker
Machado, Renato Bobsin
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Souza, Cristiano Antonio de
dc.subject.por.fl_str_mv Computação
Internet das coisas
Computação em nuvem
Aprendizado do computador
topic Computação
Internet das coisas
Computação em nuvem
Aprendizado do computador
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023
2024-01-22T12:12:15Z
2024-01-22T12:12:15Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 385793
https://repositorio.ufsc.br/handle/123456789/254052
identifier_str_mv 385793
url https://repositorio.ufsc.br/handle/123456789/254052
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 249 p.| gráfs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652300415139840

Registros relacionados