IA Explicável em Modelos de Aprendizado de Máquina para Detecção de Intrusão em IoT: uma Análise Comparativa
Resumo
A crescente complexidade dos ataques em redes IdC impulsiona o uso de aprendizado de máquina em sistemas de detecção de intrusão (SDI), mas a falta de interpretabilidade limita sua adoção. Técnicas de Inteligência Artificial Explicável (IAE) são opções para superar essa limitação. Este artigo avalia o uso do método SHapley Additive exPlanations (SHAP) em três modelos preditivos para detecção de ataques: Random Forest, LightGBM e Multilayer Perceptron (MLP), construídos a partir do dataset NSL-KDD. O uso do SHAP permitiu identificar os atributos relevantes para as predições, evidenciando maior similaridade entre os modelos Random Forest e LightGBM, enquanto o MLP apresenta menor correlação e se apoia em atributos distintos.Referências
Arreche, O., Guntur, T., and Abdallah, M. (2024). XAI-IDS: Toward proposing an explainable artificial intelligence framework for enhancing network intrusion detection systems. Applied Sciences, 14(10):4170.
Botacin, M., Ceschin, F., Sun, R., Oliveira, D., and Grécio, A. (2021). Challenges and pitfalls in malware research. In Computers & Security vol. 106. Elsevier B.V.
de Souza, C. A. (2023). Detecção e prevenção de intrusão em computação de nevoeiro e Internet das Coisas. Doutorado em ciência da computação, Universidade Federal de Santa Catarina (UFSC).
Gunning, D., Stefik, M., Choi, J., Miller, T., Stumpf, S., and Yang, G. (2019). XAI—explainable artificial intelligence. American Association for the Advancement of Science, 4(37).
Lundberg, S. M. and Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
Rehman, S. U., Khan, I. U., Moiz, M., Hasan, S., et al. (2016). Security and privacy issues in IoT. International Journal of Communication Networks and Information Security, 8(3):147.
Stanko, A., Duda, O., Mykytyshyn, A., Totosko, O., and Koroliuk, R. (2024). Artificial intelligence of things (AIoT): Integration challenges, and security issues. In Proceedings of the Bioinformatics and applied information technologies.
Vailshery, L. S. (2025). Internet of things (IoT) statistics & facts. Disponível em: [link]. Acesso em: 21 ago. 2025.
Botacin, M., Ceschin, F., Sun, R., Oliveira, D., and Grécio, A. (2021). Challenges and pitfalls in malware research. In Computers & Security vol. 106. Elsevier B.V.
de Souza, C. A. (2023). Detecção e prevenção de intrusão em computação de nevoeiro e Internet das Coisas. Doutorado em ciência da computação, Universidade Federal de Santa Catarina (UFSC).
Gunning, D., Stefik, M., Choi, J., Miller, T., Stumpf, S., and Yang, G. (2019). XAI—explainable artificial intelligence. American Association for the Advancement of Science, 4(37).
Lundberg, S. M. and Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
Rehman, S. U., Khan, I. U., Moiz, M., Hasan, S., et al. (2016). Security and privacy issues in IoT. International Journal of Communication Networks and Information Security, 8(3):147.
Stanko, A., Duda, O., Mykytyshyn, A., Totosko, O., and Koroliuk, R. (2024). Artificial intelligence of things (AIoT): Integration challenges, and security issues. In Proceedings of the Bioinformatics and applied information technologies.
Vailshery, L. S. (2025). Internet of things (IoT) statistics & facts. Disponível em: [link]. Acesso em: 21 ago. 2025.
Publicado
12/11/2025
Como Citar
BUSCHERMOEHLE, Matheus; SANTOS, Fernando.
IA Explicável em Modelos de Aprendizado de Máquina para Detecção de Intrusão em IoT: uma Análise Comparativa. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 236-239.
DOI: https://doi.org/10.5753/eramiars.2025.16619.
