Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UNIFESP |
Texto Completo: | https://repositorio.unifesp.br/11600/65866 |
Resumo: | A 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%. |
id |
UFSP_8f3dc7b0d4dd8383192c3d5d955c46c7 |
---|---|
oai_identifier_str |
oai:repositorio.unifesp.br:11600/65866 |
network_acronym_str |
UFSP |
network_name_str |
Repositório Institucional da UNIFESP |
repository_id_str |
3465 |
spelling |
Almeida, Maíra Baptista de [UNIFESP]http://lattes.cnpq.br/2317906488741286http://lattes.cnpq.br/4783303936149244http://lattes.cnpq.br/9674541381385819Rosset, Valerio [UNIFESP]Carvalho, André Carlos Ponce de Leon Ferreira de2022-11-11T13:38:13Z2022-11-11T13:38:13Z2022-08-16https://repositorio.unifesp.br/11600/65866A 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%.The 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.Não recebi financiamento98 f.engUniversidade Federal de São PauloInternet das CoisasAprendizado de MáquinaSistemas de Detecção de IntrusãoArtificial Immune System Approach for an Intrusion Detection System for the Internet of Thingsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESPInstituto de Ciência e Tecnologia (ICT)Ciência da ComputaçãoSistemas Computacionais, Sistema InteligentesTEXT_PPGCC____Disserta__o_3_0-1 (1).pdf.txt_PPGCC____Disserta__o_3_0-1 (1).pdf.txtExtracted texttext/plain204585${dspace.ui.url}/bitstream/11600/65866/4/_PPGCC____Disserta__o_3_0-1%20%281%29.pdf.txt45912a876a57a28a1756c3993cd6452fMD54open accessTHUMBNAIL_PPGCC____Disserta__o_3_0-1 (1).pdf.jpg_PPGCC____Disserta__o_3_0-1 (1).pdf.jpgIM Thumbnailimage/jpeg968${dspace.ui.url}/bitstream/11600/65866/6/_PPGCC____Disserta__o_3_0-1%20%281%29.pdf.jpg37e91f933e93c0ec7178ab2662c306cfMD56open accessORIGINAL_PPGCC____Disserta__o_3_0-1 (1).pdf_PPGCC____Disserta__o_3_0-1 (1).pdfDissertação Maira Baptistaapplication/pdf1785445${dspace.ui.url}/bitstream/11600/65866/3/_PPGCC____Disserta__o_3_0-1%20%281%29.pdf6c704909fa97d0709ec4eaa3df689949MD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-85860${dspace.ui.url}/bitstream/11600/65866/2/license.txt5e1c7aad7c0935354186183fac7151ffMD52open access11600/658662022-11-16 08:47:54.656metadata only accessoai:repositorio.unifesp.br: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Repositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestopendoar:34652022-11-16T11:47:54Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)false |
dc.title.pt_BR.fl_str_mv |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things |
title |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things |
spellingShingle |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things Almeida, Maíra Baptista de [UNIFESP] Internet das Coisas Aprendizado de Máquina Sistemas de Detecção de Intrusão |
title_short |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things |
title_full |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things |
title_fullStr |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things |
title_full_unstemmed |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things |
title_sort |
Artificial Immune System Approach for an Intrusion Detection System for the Internet of Things |
author |
Almeida, Maíra Baptista de [UNIFESP] |
author_facet |
Almeida, Maíra Baptista de [UNIFESP] |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2317906488741286 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4783303936149244 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9674541381385819 |
dc.contributor.author.fl_str_mv |
Almeida, Maíra Baptista de [UNIFESP] |
dc.contributor.advisor1.fl_str_mv |
Rosset, Valerio [UNIFESP] |
dc.contributor.advisor-co1.fl_str_mv |
Carvalho, André Carlos Ponce de Leon Ferreira de |
contributor_str_mv |
Rosset, Valerio [UNIFESP] Carvalho, André Carlos Ponce de Leon Ferreira de |
dc.subject.por.fl_str_mv |
Internet das Coisas Aprendizado de Máquina Sistemas de Detecção de Intrusão |
topic |
Internet das Coisas Aprendizado de Máquina Sistemas de Detecção de Intrusão |
description |
A 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%. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-11-11T13:38:13Z |
dc.date.available.fl_str_mv |
2022-11-11T13:38:13Z |
dc.date.issued.fl_str_mv |
2022-08-16 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifesp.br/11600/65866 |
url |
https://repositorio.unifesp.br/11600/65866 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
98 f. |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFESP instname:Universidade Federal de São Paulo (UNIFESP) instacron:UNIFESP |
instname_str |
Universidade Federal de São Paulo (UNIFESP) |
instacron_str |
UNIFESP |
institution |
UNIFESP |
reponame_str |
Repositório Institucional da UNIFESP |
collection |
Repositório Institucional da UNIFESP |
bitstream.url.fl_str_mv |
${dspace.ui.url}/bitstream/11600/65866/4/_PPGCC____Disserta__o_3_0-1%20%281%29.pdf.txt ${dspace.ui.url}/bitstream/11600/65866/6/_PPGCC____Disserta__o_3_0-1%20%281%29.pdf.jpg ${dspace.ui.url}/bitstream/11600/65866/3/_PPGCC____Disserta__o_3_0-1%20%281%29.pdf ${dspace.ui.url}/bitstream/11600/65866/2/license.txt |
bitstream.checksum.fl_str_mv |
45912a876a57a28a1756c3993cd6452f 37e91f933e93c0ec7178ab2662c306cf 6c704909fa97d0709ec4eaa3df689949 5e1c7aad7c0935354186183fac7151ff |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP) |
repository.mail.fl_str_mv |
|
_version_ |
1802764112314236928 |