Machine Learning aplicada a segurança em Internet das Coisas: detectando anomalias na comunicação e operação

Integrante: Alexandre Marques Carrer alexandremcarrer@gmail.com

Professora Orientadora: Cíntia Borges Margi

Co-orientador: Artur Jordão Lima Correia

Para instalar as bibliotecas necessárias para rodar o programa, após clonar o repositório, rode o comando abaixo:

pip install -r requirements.txt

Resumo

“Esta pesquisa se trata de propor, implementar e avaliar um sistema detector de anomalias em uma rede de sensores sem fio se baseando em métricas de rede e padrões de utilização da arquitetura de dispositivos IoT à ela conectados utilizando um modelo de Machine Learning. Além de, com base nos resultados obtidos com a pesquisa, realizar a discussão do tradeoff de cibersegurança no sistema ao utilizar técnicas de inteligência artificial para monitoramento de integridade da rede.”

Motivação

• Utilização de redes de dispositivos de Internet das Coisas na sociedade e indústria: Segurança é requisito crítico
• Implementação de Sistema de Detecção de Intrusão utilizando as métricas de rede e de operação dos dispositivos
• Capacidade de detectar ataques “Day-Zero” utilizando aprendizado supervisionado

Método

• Coleta e tratamento de dados de rede e operação dos dispositivos
• Modelo classificador binário para categorizar a ocorrência de ataque.
• Teste do modelo por meio de validação treino-teste e detecção de ataques Out of Distribution

Coleta de Dados

• Utilização do simulador Contiki Cooja: Emulação de dispositivos IoT reais
• Implementação dos ataques Flooding, Blackhole e Greyhole (Artigo WTICG SBSeg 23)
• Coleta de dados pela interface de Mote Output do servidor da rede

Tratamento Estatístico

• Janelamento dos dados utilizando uma fila (First-in First-out)
• Cálculo das médias e desvios padrões dos dados janelados
• Criação de dataset para o modelo de Aprendizagem supervisionada

Aprendizado de Máquina

• Utilização do XGBoost Classifier para a detecção de intrusão
• Balanceamento dos dados por meio de ponderamento por classificação
• Cálculo das métricas de avaliação do modelo por meio da matriz de confusão dos resultados

Resultados

• Sistema capaz de detectar intrusões com acurácia geral de 96%, Com o recall priorizado no sistema.
• Abordagem centralizada se demonstra como uma solução viável, mas acarreta no aumento da transmissão de pacotes na rede.

Agradecimentos