IoT-IDS: uma abordagem de detecção de intrusão baseado em aprendizado de máquina para sistemas de internet das coisas

Abstract

Com o uso crescente de dispositivos inteligentes em diversos mercados e aplicações, a segurança e a privacidade em sistemas de Internet das Coisas (IoT) tornam-se cada vez mais relevantes. Isso se deve ao fato de que os dados coletados e transmitidos por esses sistemas podem ter um valor significativo, inclusive financeiro. No entanto, os mecanismos de segurança e privacidade de dados já consagrados na computação em geral não se aplicam aos sistemas IoT devido às questões de arquitetura computacional e à natureza limitada desses dispositivos. A disponibilização de ferramentas para desenvolvedores de sistemas IoT que permitam construir aplicações com menor risco à privacidade dos dados se apresenta como uma proposta valiosa. Assim, este trabalho propõe uma abordagem implementada em uma ferramenta de detecção de invasão, com o objetivo de mitigar as questões de segurança e privacidade de dados inerentes aos protocolos IoT. Para isso, foram empregadas técnicas de aprendizado de máquina, com destaque para redes neurais. A avaliação da abordagem foi realizada em um ambiente com dispositivos IoT reais e simulações de ataques.