Desenvolvimento de método para detecção de intrusão em redes PROFINET baseado em técnicas de Aprendizado de Máquina

• Autor(a) principal: Turcato, Afonso Celso
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-16072021-172236/
• topic: Aprendizado de Máquina; Artificial Intelligence; Automation Networks; Inteligência Artificial; Intrusion Detection Systems; Machine Learning; PROFINET; PROFINET; Redes de automação; Security Network; Segurança em redes; Sistemas de Detecção de Intrusão

O aumento na quantidade de informações importantes que percorrem as redes de computadores faz com que a segurança seja fundamental para garantir a integridade, a confidencialidade e a disponibilidade dos dados trafegados. No ambiente industrial isso não é diferente. Em busca desse aumento da segurança, são utilizados dispositivos como Firewalls e Sistemas de Detecção de Intrusão (SDI). Hoje em dia, algoritmos de Aprendizado de Máquina (AM) da área de Inteligência Artificial (IA) estão sendo aplicados para a melhoria de desempenho desses dispositivos. Este trabalho propõe investigar, desenvolver, implementar e validar um método para detectar intrusão em redes PROFINET com uso de técnicas de Aprendizado de Máquina. O método utilizado está fundamentado na análise das características de comunicação do protocolo PROFINET e na identificação e classificação de padrões, sendo esta, uma das principais aplicações de classificadores inteligentes como as Redes Neurais Artificiais (RNA), as Máquinas de Vetores Suporte (SVM). As intrusões são identificadas por meio da análise do tráfego da rede em sua fase de operação utilizando-se classificadores unários e binários. Ao todo, 114 estruturas de classificação unárias e 196 estruturas de classificação binárias foram avaliadas com dados de 10 cenários distintos de tráfego de rede PROFINET. Os SDI propostos apresentaram Taxa de Detecção média de 98,1% e Taxa de Alarmes Falsos média de 0,4% utilizando-se classificadores unários e Taxa de Detecção de 100% e Taxa de Alarmes Falsos de 0% utilizando-se classificadores binários.