Melhorando a segurança do IoT com seleção de características e aprendizado local

A Internet das Coisas (IoT) se refere à rede crescente de dispositivos conectados à internet. Esses dispositivos, que incluem coisas como gadgets inteligentes para casa, dispositivos médicos e sensores de tráfego, mudaram nossa forma de viver e trabalhar. Eles são essenciais para criar cidades inteligentes, melhorar a saúde e automatizar prédios. Porém, com a ascensão da IoT vem um risco de segurança significativo. Muitos dispositivos IoT se conectam por diferentes tipos de redes, o que os torna vulneráveis a ataques.

Uma das maiores ameaças aos dispositivos IoT são os ataques de botnets. Uma botnet é um grupo de dispositivos infectados que um atacante controla para lançar ataques. Esses ataques podem roubar informações sensíveis e interromper serviços. Exemplos famosos de botnets IoT incluem Mirai e BASHLITE. À medida que os dispositivos IoT se tornam mais comuns, melhorar as medidas de segurança é crucial para detectar e prevenir esses ataques.

#Sistemas de Detecção de Intrusão (IDS)

Sistemas de Detecção de Intrusão (IDS) são ferramentas projetadas para monitorar o tráfego da rede e detectar atividades suspeitas. Eles desempenham um papel vital na proteção de redes IoT contra ataques, incluindo botnets. Técnicas de aprendizado de máquina (ML) estão sendo cada vez mais usadas em IDS para ajudar a identificar e classificar essas ameaças. Métodos tradicionais como K-Nearest Neighbor (KNN), Support Vector Machines (SVM) e Decision Trees (DT) foram aplicados para identificar ataques.

No entanto, dispositivos IoT geram enormes quantidades de dados, o que apresenta desafios para técnicas tradicionais de ML. Essa situação pede algoritmos mais eficientes que consigam lidar com grandes conjuntos de dados de forma eficaz. Algoritmos metaheurísticos surgiram como ferramentas eficazes para selecionar características relevantes em dados de alta dimensão, ajudando a melhorar a precisão do modelo e reduzir o tempo de computação.

#Seleção de Características e Algoritmos Metaheurísticos

Seleção de características é o processo de identificar e escolher as características mais importantes de um conjunto de dados que contribuem para prever resultados. Em um mundo onde os dados são abundantes, filtrar características irrelevantes é essencial. Isso não só acelera o processo de aprendizado, mas também melhora o poder preditivo do modelo. Algoritmos metaheurísticos, como Algoritmos Genéticos (GA), Otimização por Enxame de Partículas (PSO) e Otimização por Gaviões de Harris (HHO), foram utilizados na seleção de características para um desempenho melhor.

O algoritmo de Otimização por Gaviões de Harris é um método de otimização mais novo que imita o comportamento de caça dos gaviões Harris. Ele busca encontrar a melhor solução entre um conjunto de opções por meio da colaboração e concorrência entre diferentes agentes (soluções). Usar HHO para seleção de características ajuda a reduzir as características mais relevantes em um conjunto de dados enquanto otimiza a estrutura do modelo de aprendizado.

#Aprendizado de Máquina Distribuído

Aprendizado de Máquina Distribuído (DML) permite que modelos sejam treinados em vários dispositivos ou nós sem precisar enviar os dados de volta a um servidor central. Essa abordagem apoia a privacidade dos dados, já que os dados permanecem nos dispositivos, reduzindo o risco de vazamentos de informações. Em vez de um único servidor gerenciar todos os dados, cada dispositivo pode aprender com seus dados localmente e contribuir para o modelo geral.

DML mostrou resultados promissores em várias aplicações, especialmente em campos como saúde e telecomunicações. Essa abordagem é especialmente relevante no contexto da IoT, onde os dispositivos podem ter informações sensíveis e capacidades limitadas para processar dados.

#Abordagem Proposta

Esse trabalho propõe um método que combina HHO para seleção de características com uma Rede de Pesos Aleatórios (RWN) para melhorar a detecção de ataques de botnets IoT. O modelo RWN simplifica o processo de treinamento de redes neurais e é particularmente eficaz para aplicações onde velocidade e desempenho são fundamentais.

O sistema proposto funciona em duas etapas: centralizada e distribuída. Na etapa centralizada, o modelo usa todo o conjunto de dados para treinar. Enquanto isso, na etapa distribuída, os dados são divididos entre vários dispositivos para treinamento local. Cada dispositivo usa seus dados para ajudar a melhorar o modelo geral enquanto mantém os dados privados.

O processo de seleção de características utiliza HHO para encontrar as melhores características e otimizar a estrutura do RWN. Dessa forma, o sistema seleciona as melhores características para previsão e minimiza o número de nós ocultos na rede para melhorar a eficiência computacional.

#Pré-processamento de Dados

Antes de treinar o modelo, os dados precisam ser preparados. Dois conjuntos de dados são usados: o conjunto de dados N-BaIoT, que contém informações sobre vários dispositivos IoT, e um conjunto de dados de Phishing do Kaggle, que contém informações sobre sites. Esses conjuntos de dados são limpos e normalizados para garantir que sejam adequados para análise.

A normalização ajusta os dados a uma escala comum, o que ajuda o modelo a aprender de forma mais eficaz. Essa etapa é crucial porque dados bagunçados podem afetar negativamente o processo de treinamento e o desempenho geral dos modelos preditivos.

#Resultados e Discussão

O desempenho da abordagem proposta é avaliado usando modelos centralizados e distribuídos. Os experimentos utilizam métricas comuns, como precisão, precisão, recall e F-measure, para avaliar quão bem o modelo detecta ataques de botnets.

No modelo centralizado, a abordagem proposta superou métodos tradicionais em termos de precisão e outras métricas. Da mesma forma, o modelo distribuído demonstrou um desempenho forte, indicando que manter os dados localmente não compromete a eficácia do sistema.

Os resultados mostram que o modelo treinado com HHO e RWN alcança altos valores de F-measure, o que reflete sua capacidade de identificar verdadeiros positivos enquanto minimiza os falsos positivos. Essas descobertas confirmam que o método proposto é eficaz para detectar ataques de botnets IoT.

#Conclusão

O número crescente de dispositivos IoT em nossas vidas diárias traz preocupações de segurança significativas. Este trabalho demonstrou como usar HHO para seleção de características, junto com uma Rede de Pesos Aleatórios, pode melhorar efetivamente a detecção de ataques de botnets em ambientes IoT. Ao empregar uma abordagem de aprendizado distribuído, o método proposto mantém a privacidade dos dados enquanto ainda entrega um desempenho competitivo.

Pesquisas futuras vão explorar a integração do Aprendizado Federado com o modelo atual para continuar melhorando as medidas de segurança e privacidade. A capacidade de aplicar essa abordagem a uma gama mais ampla de aplicações, como sistemas de saúde, também será investigada. No geral, esse trabalho contribui para o esforço contínuo de criar soluções de segurança robustas para o crescente cenário da IoT.