Towards Intelligent Security Mechanisms for Connected Things

• Paulo Freitas de Araujo-Filho UFPE / Université du Québec
• Divanilson R. Campelo UFPE
• Georges Kaddoum Université du Québec

DOI: https://doi.org/10.5753/sbrc_estendido.2024.1488

Resumo

A ampla adoção de dispositivos conectados e de modelos de aprendizagem de máquina permitem que atacantes realizem diversos ciberataques e ataques adversariais. Assim, os objetivos desta tese são investigar e desenvolver soluções de ponta para aprimorar a segurança de sistemas, detectando de maneira eficaz e eficiente ciberataques e defendendo-os de ataques adversariais. Os seus principais resultados representam múltiplos prêmios, a publicação de oito artigos em revistas de prestígio, três artigos em conferências, duas patentes e um registro de software. Além disso, nossa pesquisa foi premiada como um dos dois únicos ganhadores em todo o mundo do Microsoft Research Ph.D. Fellowship em 2022 nas áreas de Segurança, Privacidade e Criptografia.

Referências

Nisioti, A., Mylonas, A., Yoo, P. D., and Katos, V. (2018). From Intrusion Detection to Attacker Attribution: A Comprehensive Survey of Unsupervised Methods. IEEE Commun. Surveys & Tut., 20(4):3369–3388.

Pourranjbar, A., Elleuch, I., Landry-pellerin, S., and Kaddoum, G. (2023). Defense and Offence Strategies for Tactical Wireless Networks Using Recurrent Neural Networks. IEEE Trans. on Veh. Technol., pages 1–6.

Pourranjbar, A., Kaddoum, G., and Saad, W. (2022). Recurrent Neural Network-based Anti-jamming Framework for Defense Against Multiple Jamming Policies. IEEE Internet of Things J., pages 1–1.

Yuan, X., He, P., Zhu, Q., and Li, X. (2019). Adversarial examples: Attacks and defenses for deep learning. IEEE Trans. on Neural Netw. and Learn. Syst., 30(9):2805–2824.