Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas

Detalhes bibliográficos
Autor(a) principal: Oliveira, Felipe Barreto de
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/47959
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2023.
id UNB_cac8769d79413638362666011916c033
oai_identifier_str oai:repositorio2.unb.br:10482/47959
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Oliveira, Felipe Barreto deNze, Georges Daniel Amvame2024-02-28T21:21:47Z2024-02-28T21:21:47Z2024-02-282023-06-16OLIVEIRA, Felipe Barreto de. Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas. 2023. xi, 67 f., il. Dissertação (Mestrado Profissional em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/47959Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2023.A Internet das Coisas (IoT) é um dos paradigmas mais importantes dos últimos anos, pois a sua principal característica é a possibilidade de fundir o mundo real com o mundo virtual, utilizando o conceito das “coisas”. Por um lado, apresenta uma grande comodidade no nosso cotidiano, revolucionando a comunicação entre pessoas e objetos. Por outro lado, as vulnerabilidades apresentadas e os ataques que têm ocorrido indicam que esta tecnologia continua a ser uma expectativa para o futuro em diversa empresas, submergindo, assim, os benefícios que nos poderia proporcionar. Neste trabalho, propomos um framework composto de um sistema de detecção de intrusão em tempo real para dispositivos IoT, onde os ataques DoS serão detectados, identificados e classificados, seguindo a literatura atual. Para isso, é utilizado técnicas de aprendizado de máquinas para identificar ataques, através de anomalias ocorridas no monitoramento de dispositivos IoT na suíte ELK com o plugin Wazuh. O primeiro resultado experimental com o dataset NSL-KDD mostra a eficiência da nossa proposta, com 91,90% de acurácia, 0,9217 de precisão, 0,9190 de recall e 0,9168 de F1-score. O segundo resultado experimental com o ataque DoS de syn flood em tempo real, criado pelo metasploit, mostra uma acurácia de 99,89%, uma precisão de 1,0000, um recall de 0,9953 e um F1-score de 0,9977.The Internet of Things is one of the most important paradigms of the last years, because its main characteristic is the possibility of merging the real world with the virtual world, using the concept of “things”. On the one hand, it presents a great convenience in our daily lives, revolutionizing the communication between people and objects. On the other hand, the vulnerabilities presented and the attacks that have occurred indicate that this technology remains an expectation for the future, thus submerging the benefits it could provide us. In this paper, we propose a framework for real time intrusion detection system in IoT devices, where the DoS attacks will be detected, identified, and classified, following the present literature. For this purpose, machine learning is used to identify attacks through anomalies that occurred in monitoring IoT devices on the ELK suite with the Wazuh plugin. The first experimental result with the NSL-KDD dataset show our proposal’s efficiency, with 91.90% accuracy, 0.9217 precision, 0.9190 recall, and 0.9168 F1-score. The second experimental result with real time syn flood attack, created by metasploit, show accuracy of 99,89%, precision of 1.0000, recall of 0.9953, F1-Score of 0.9977.Faculdade de Tecnologia (FT)Departamento de Engenharia Elétrica (FT ENE)Programa de Pós-Graduação em Engenharia Elétrica, Mestrado ProfissionalporA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessFramework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisInternet das Coisas (IoT)Aprendizado de máquinaDetecção de intrusãoAtaques cibernéticos - detecçãoreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINALFelipeBarretoDeOliveira_DISSERT.pdfapplication/pdf4519501http://repositorio2.unb.br/jspui/bitstream/10482/47959/1/FelipeBarretoDeOliveira_DISSERT.pdfdd827379f79c1704acc1bbdd45f36767MD51open access10482/479592024-02-28 18:21:47.99open accessoai:repositorio2.unb.br:10482/47959Biblioteca Digital de Teses e DissertaçõesPUBhttps://repositorio.unb.br/oai/requestopendoar:2024-02-28T21:21:47Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
title Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
spellingShingle Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
Oliveira, Felipe Barreto de
Internet das Coisas (IoT)
Aprendizado de máquina
Detecção de intrusão
Ataques cibernéticos - detecção
title_short Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
title_full Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
title_fullStr Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
title_full_unstemmed Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
title_sort Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas
author Oliveira, Felipe Barreto de
author_facet Oliveira, Felipe Barreto de
author_role author
dc.contributor.author.fl_str_mv Oliveira, Felipe Barreto de
dc.contributor.advisor1.fl_str_mv Nze, Georges Daniel Amvame
contributor_str_mv Nze, Georges Daniel Amvame
dc.subject.keyword.pt_BR.fl_str_mv Internet das Coisas (IoT)
Aprendizado de máquina
Detecção de intrusão
Ataques cibernéticos - detecção
topic Internet das Coisas (IoT)
Aprendizado de máquina
Detecção de intrusão
Ataques cibernéticos - detecção
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2023.
publishDate 2023
dc.date.submitted.none.fl_str_mv 2023-06-16
dc.date.accessioned.fl_str_mv 2024-02-28T21:21:47Z
dc.date.available.fl_str_mv 2024-02-28T21:21:47Z
dc.date.issued.fl_str_mv 2024-02-28
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.citation.fl_str_mv OLIVEIRA, Felipe Barreto de. Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas. 2023. xi, 67 f., il. Dissertação (Mestrado Profissional em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2023.
dc.identifier.uri.fl_str_mv http://repositorio2.unb.br/jspui/handle/10482/47959
identifier_str_mv OLIVEIRA, Felipe Barreto de. Framework para detecção de ataques DoS em dispositivos IoT, utilizando abordagens de aprendizado de máquinas. 2023. xi, 67 f., il. Dissertação (Mestrado Profissional em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/47959
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.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
bitstream.url.fl_str_mv http://repositorio2.unb.br/jspui/bitstream/10482/47959/1/FelipeBarretoDeOliveira_DISSERT.pdf
bitstream.checksum.fl_str_mv dd827379f79c1704acc1bbdd45f36767
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv
_version_ 1801864231454244864

Registros relacionados