Um Pipeline Explicável de Ciência de Dados para Detecção de Ataques em Redes IIoT/WSN com Simulação, Validação Inter-Topológica e Avaliação Complementar

• Osvaldo Ló Nunes Sebastião Universidade de São Paulo (USP) https://orcid.org/0009-0006-1000-5042
• Leonardo Fajardo Grupioni Universidade de São Paulo (USP) https://orcid.org/0009-0006-1813-5730
• Mateus Padoca Calado Universidade Agostinho Neto (UAN) https://orcid.org/0000-0002-2563-5593
• José dos Santos Eduardo Instituto Superior Tecnico Militar (ISTM)
• Felipe Valencia de Almeida Universidade de São Paulo (USP) https://orcid.org/0000-0003-2031-6443
• Jorge Rady de Almeida Júnior Universidade de São Paulo (USP) https://orcid.org/0000-0003-3839-4570

DOI: https://doi.org/10.5753/bresci.2026.249405

Resumo

Este artigo apresenta um pipeline explicável para detecção de intrusões em redes IIoT/RSSF. Um conjunto de dados simulado em OMNeT++/INET, com cinco classes de tráfego e quatro densidades de rede, foi avaliado com Random Forest, XGBoost e Rede Bayesiana. A avaliação considerou validação inter-topológica, robustez sob ruído e explicabilidade. O Random Forest obteve a melhor generalização inter-topológica, com acurácia média de 0,9999, enquanto o XGBoost foi o mais robusto sob ruído, mantendo 0,9822 com 20% de perturbação. Uma avaliação complementar com o Trust-Aware IIoT Routing Dataset foi conduzida sem transferência direta de modelos entre os conjuntos. Na formulação binária, o XGBoost alcançou recall de 0,9926 para a classe anômala. Os resultados indicam que simulação, validação inter-topológica, avaliação complementar e explicabilidade podem apoiar uma avaliação mais confiável de IDS.

Palavras-chave: IIoT, Redes de Sensores sem Fio, Sistemas de Detecção de Intrusão, Aprendizado de Máquina, Inteligência Artificial Explicável

Referências

Almeida, F., Quille, R., Monteiro, D., Freitas, L., and Corrêa, P. (2025). Análise de IA explicável na detecção de gases nos solos. In Anais do XIX Brazilian e-Science Workshop, pages 121–128, Porto Alegre, RS, Brasil. SBC. DOI: 10.5753/bresci.2025.248241.

Arreche, O., Guntur, T. R., Roberts, J. W., and Abdallah, M. (2024). E-XAI: Evaluating black-box explainable AI frameworks for network intrusion detection. IEEE Access, 12:23954–23988. DOI: 10.1109/ACCESS.2024.3365140.

Chen, Z., Li, Z., Huang, J., Liu, S., and Long, H. (2024). An effective method for anomaly detection in industrial Internet of Things using XGBoost and LSTM. Scientific Reports, 14:23969. DOI: 10.1038/s41598-024-74822-6.

Hasan, T. and Tasnim, S. (2025). Real-time explainable IoT security with machine learning and CTGAN-enhanced detection for resource-constrained devices. Ad Hoc Networks, 178:103937. DOI: 10.1016/j.adhoc.2025.103937.

Kumar, D., Ramaswamy, S., and Patel, J. (2024). An experimental comparison and impact analysis of various RPL-based IoT security threats using contiki simulator. In 2024 IEEE International Conference on Communication Systems and Networks (COMSNETS), pages 1–7. IEEE. DOI: 10.1109/COMSNETS59351.2024.10427337.

Nishanth, N. and Mujeeb, A. (2021). Modeling and detection of flooding-based denial of service attacks in wireless ad hoc networks using uncertain reasoning. IEEE Transactions on Cognitive Communications and Networking, 7(3):893–904. DOI: 10.1109/TCCN.2021.3055503.

Nugraha, B., Jnanashree, A. V., and Bauschert, T. (2025). A versatile XAI-based framework for efficient and explainable intrusion detection systems. Annals of Telecommunications, 80:1095–1120. DOI: 10.1007/s12243-025-01118-9.

Pandey, V. K., Prakash, S., Gupta, T. K., Sinha, P., et al. (2025). Enhancing intrusion detection in wireless sensor networks using a Tabu search based optimized random forest. Scientific Reports, 15:18634. DOI: 10.1038/s41598-025-03498-3.

programmer3 (2026). Trust-Aware IIoT Routing Dataset. Kaggle dataset. Disponível em: [link]. Acesso em: 8 maio 2026.

Rahman, M. M., Shakil, S. A., and Mustakim, M. R. (2025). A survey on intrusion detection system in IoT networks. Cyber Security and Applications, 3:100082. DOI: 10.1016/j.csa.2024.100082.