SISTEMA DE DETECÇÃO DE BOTNET COM APRENDIZADO PROFUNDO EM AMBIENTE DE INTERNET DAS COISAS

Luiz Gustavo Costa Marques de Oliveira; Otto Carlos Muniz Bandeira Duarte; Gabriel Rebello

Todos os Trabalhos

Trabalho

Título do Trabalho

SISTEMA DE DETECÇÃO DE BOTNET COM APRENDIZADO PROFUNDO EM AMBIENTE DE INTERNET DAS COISAS

Autores

Luiz Gustavo Costa Marques de Oliveira
Otto Carlos Muniz Bandeira Duarte
Gabriel Rebello

Modalidade

Resumo apresentação oral padrão

Área temática

Centro de Tecnologia (CT)/Ciência da Computação

Data de Publicação

22/03/2021

País da Publicação

Brasil

Idioma da Publicação

Português

Página do Trabalho

https://www.even3.com.br/anais/jgmictac/319907-sistema-de-deteccao-de-botnet-com-aprendizado-profundo-em-ambiente-de-internet-das-coisas

ISBN

978-65-5941-128-3

Palavras-Chave

detecção de intrusão, aprendizado de máquina, aprendizado profundo, Big Data, segurança

Resumo

A popularização de dispositivos de Internet das coisas (IoT) se tornou uma das maiores preocupações para a segurança cibernética. Os dispositivos IoT, sobretudo os móveis que utilizam bateria, possuem limitações de recursos que dificultam a troca segura e confidencial de dados e a análise se os dados recebidos são provenientes de agentes maliciosos. A restrição de recursos facilita a contaminação e sequestro de dispositivos que, a comando de criminosos, tornam-se zumbis em Botnets e realizam ataques distribuídos de negação de serviço e difusão de SPAM. Além disso, o crescimento exponencial de dispositivos e do volume de dados trafegando pela Internet cria um desafio ainda maior para a detecção de dispositivos comprometidos. Esse trabalho propõe um sistema de detecção de Botnet baseado em técnicas de aprendizado profundo com a plataforma Apache Spark. O aprendizado profundo está recebendo grande atenção com suas capacidades de encontrar padrões e comportamentos ocultos em fenômenos, permitindo melhores análises em comparação a algoritmos de aprendizado de máquina tradicionais, desde que haja disponibilidade de grandes conjuntos de dados para treinamento. Algoritmos de aprendizado profundo se mostram promissores em comparação a algoritmos clássicos usados em sistemas de detecção de intrusão anteriores e vêm obtendo resultados favoráveis nas métricas de precisão, acurácia, sensibilidade e f1-score. A plataforma Apache Spark executa em um ambiente de aglomerado usando processamento distribuído, e foi escolhida por permitir a análise de um grande volume de dados e alta escalabilidade. Referências: [1] L. C. B. Guimarães et al.,``TeMIA-NT: ThrEat Monitoring and Intelligent data Analytics of Network Traffic'', 2020 4th Conference on Cloud and Internet of Things (CIoT), Niteroi, Brazil, 2020, pp. 9-16, doi: 10.1109/CIoT50422.2020.9244206. [2] C. D. McDermott, F. Majdani and A. V. Petrovski, "Botnet Detection in the Internet of Things using Deep Learning Approaches," 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, 2018, pp. 1-8, doi: 10.1109/IJCNN.2018.8489489. [3] Nugraha, Beny, Anshitha Nambiar, and Thomas Bauschert. "Performance Evaluation of Botnet Detection using Deep Learning Techniques." 2020 11th International Conference on Network of the Future (NoF). IEEE, 2020.

Título do Evento: XLII Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural (JICTAC 2020 - Edição Especial) - Evento UFRJ
Título dos Anais do Evento: Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

OLIVEIRA, Luiz Gustavo Costa Marques de; DUARTE, Otto Carlos Muniz Bandeira; REBELLO, Gabriel. SISTEMA DE DETECÇÃO DE BOTNET COM APRENDIZADO PROFUNDO EM AMBIENTE DE INTERNET DAS COISAS.. In: Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural. Anais...Rio de Janeiro(RJ) UFRJ, 2021. Disponível em: https//www.even3.com.br/anais/jgmictac/319907-SISTEMA-DE-DETECCAO-DE-BOTNET-COM-APRENDIZADO-PROFUNDO-EM-AMBIENTE-DE-INTERNET-DAS-COISAS. Acesso em: 23/03/2025