Uma Arquitetura de IDS para IoT Baseada em Aprendizado Federado com Seleção de Atributos via PFI
Resumo
Sistemas de Detecção de Intrusões (IDS) em ambientes de Internet das Coisas (IoT) enfrentam desafios significativos devido às restrições de recursos dos dispositivos, aos requisitos de privacidade dos dados e à sobrecarga de comunicação em cenários distribuídos. Nesse contexto, a Aprendizagem Federada (FL) tem emergido como um paradigma promissor, permitindo o treinamento colaborativo de modelos sem o compartilhamento de dados brutos. Este trabalho apresenta uma arquitetura de IDS federado que integra a técnica de Permutation Feature Importance (PFI) ao processo de treinamento, viabilizando um mecanismo de seleção de atributos Top-K com o objetivo de reduzir o volume de atualizações transmitidas. Embora a arquitetura federada completa seja definida, este estudo concentra-se em uma avaliação local controlada da relevância dos atributos, isolando o impacto do PFI na importância dos atributos e na redução de dimensionalidade, sem a implementação completa do processo federado. Resultados experimentais utilizando o conjunto de dados UNSW-NB15 demonstram que reduções significativas na dimensionalidade dos atributos podem ser alcançadas mantendo níveis competitivos de acurácia e F1-score. Além disso, a análise revela a existência de um ponto de saturação na contribuição dos atributos, indicando redundâncias estruturais entre os atributos. Esses resultados fornecem evidências empíricas de que a seleção de atributos baseada em PFI é um componente-chave para a eficiência de comunicação em IDS federados, estabelecendo uma base sólida para futuras implementações federadas completas em ambientes de IoT com restrições de recursos.
Referências
Barbosa, L., Dalmazo, B. L., Cordeiro, W., Immich, R., Abelém, A., and Riker, A. (2022). Deconn: Combining minimum and neutral energy consumption strategies in iot networks. In IFIP Wireless and Mobile Networking Conference (WMNC).
Bittencourt, L., Immich, R., Sakellariou, R., Fonseca, N., Madeira, E., Curado, M., Villas, L., DaSilva, L., Lee, C., and Rana, O. (2018). The internet of things, fog and cloud continuum: Integration and challenges. Internet of Things, 3-4:134 – 155.
Chang, V., Golightly, L., Modesti, P., Xu, Q. A., Doan, L. M. T., Hall, K., Boddu, S., and Kobusińska, A. (2022). A survey on intrusion detection systems for fog and cloud computing. Future Internet, 14(3):89.
El Houda, Z. A., Moudoud, H., Brik, B., and Khoukhi, L. (2023). Securing federated learning through blockchain and explainable ai for robust intrusion detection in iot networks. In IEEE Conference on Computer Communications Workshops.
Fiorenza, M., Kreutz, D., Mansilha, R., Macedo, D., Feitosa, E., and Immich, R. (2021). Representação e aplicação de políticas de segurança em firewalls de redes híbridas. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBC.
Greengard, S. (2021). The internet of things. MIT press.
Kil, Y.-S., Lee, Y.-J., Jeon, S.-E., Oh, Y.-S., and Lee, I.-G. (2024). Optimization of privacy-utility trade-off for efficient feature selection of secure internet of things. IEEE Access, 12:142582–142591.
Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A., and Smith, V. (2020). Federated optimization in heterogeneous networks. Proceedings of Machine learning and systems, 2:429–450.
Lieira, D. D., Quessada, M. S., Cristiani, A. L., Immich, R., and Meneguette, R. I. (2021). Triad: Whale optimization algorithm for 5g-iot resource allocation decision in edge computing. In Iberian Conference on Information Systems and Technologies (CISTI).
Liu, H. and Lang, B. (2019). Machine learning and deep learning methods for intrusion detection systems: A survey. applied sciences, 9(20):4396.
Pei, X., Deng, X., Tian, S., Zhang, L., and Xue, K. (2023). A knowledge transfer-based semi-supervised federated learning for iot malware detection. IEEE Transactions on Dependable and Secure Computing, 20(3):2127–2143.
Peng, B., Chi, M., and Liu, C. (2022). Non-IID federated learning via random exchange of local feature maps for textile IIoT secure computing. Science China Information Sciences, 65(7):170302.
Pham, V. T., Nguyen, H. L., Le, H.-C., and Nguyen, M. T. (2023). Machine learning-based intrusion detection system for ddos attack in the internet of things. In 2023 International Conference on System Science and Engineering (ICSSE).
Pisani, F., de Oliveira, F., Gama, E. S., Immich, R., Bittencourt, L. F., and Borin, E. (2020). Fog computing on constrained devices: Paving the way for the future iot. Advances in Edge Computing: Massive Parallel Processing and Applications, 35:22.
Roy, S., Li, J., and Bai, Y. (2023). Federated learning-based intrusion detection system for iot environments with locally adapted model. In IEEE 10th International Conference on Cyber Security and Cloud Computing (CSCloud). IEEE.
Santo, Y., Immich, R., Dalmazo, B. L., and Riker, A. (2023). Fault detection on the edge and adaptive communication for state of alert in industrial internet of things. Sensors.
Silva, D., Fontes, R., Neto, A., Silva, G., and Immich, R. (2023). Esquema de autenticação e acordo de chaves para internet das coisas. In Workshop de Gerência e Operação de Redes e Serviços, Porto Alegre, RS, Brasil. SBC.
Thakkar, A. and Lohiya, R. (2021). A review on machine learning and deep learning perspectives of ids for iot: Recent updates, security issues, and challenges. Archives of computational methods in engineering, 28(4).
Thevarajan, J., Ravi, V., Kirushanth, S., Ganesalingam, V., Ahmadon, M. A., and Bt Che Lah, N. S. (2025). Federated learning for detecting anomalies in iot-driven smart home systems. In Inter. Conference on Advancements in Computing (ICAC).
Wei, W., Yang, A. T., Shi, W., and Sha, K. (2016). Security in internet of things: Opportunities and challenges. In 2016 International Conference on Identification, Information and Knowledge in the Internet of Things (IIKI), pages 512–518. IEEE.
