Detecção de Ataques a Redes IoT Usando Técnicas de Aprendizado de Máquina e Aprendizado Profundo

• Kaylani Bochie UFRJ
• Ernesto R. Gonzalez UFRJ
• Luiz F. Giserman UFRJ
• Miguel Elias M. Campista UFRJ
• Luís Henrique M. K. Costa UFRJ

DOI: https://doi.org/10.5753/sbseg.2020.19242

Resumo

As vulnerabilidades de dispositivos IoT os tornam um alvo simples para invasão e controle por parte de atacantes. Ao mesmo tempo, a dinamicidade das redes IoT dificulta o desenvolvimento de sistemas de segurança baseados em regras. Este cenário é um convite ao emprego de técnicas de aprendizado de máquina. No entanto, a escassez de conjuntos de dados públicos torna-se um entrave para a avaliação da detecção de ataques a redes IoT. Ainda, observa-se que os desempenhos de modelos de aprendizado não são comparados quantitativamente, o que pode afetar a validade das conclusões. Este trabalho, então, avalia os desempenhos de múltiplos modelos de aprendizado de máquina tradicionais e profundos, em traces públicos, para a detecção de ataques. Modelos como redes neurais convolucionais, recorrentes e autoassociativas são usados. A comparação mostra que traces organizados por fluxo ou por pacote têm influência direta na escolha de técnicas para detecção. Além disso, redes neurais autoassociativas profundas se mostram efetivas para detectar ataques online.

Referências

AL-Hawawreh, M., Moustafa, N. e Sitnikova, E. (2018). Identification of malicious activities in industrial internet of things based on deep learning models. Journal of Information Security and Applications, 41:1–11.

Almomani, I., Al-Kasasbeh, B. e Al-Akhras, M. (2016). WSN-DS: A dataset for intrusion detection systems in wireless sensor networks. Journal of Sensors, 2016.

Bezerra, H., da Costa, V., Turrisi, V., Martins, A., Barbon, S. R., Rodrigo, M. e Zarpelão, B. B. (2018). Providing IoT host-based datasets for intrusion detection research. Em Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais.

Bezerra, V. H., da Costa, V. G. T., Barbon Junior, S., Miani, R. S. e Zarpelão, B. B. (2019). IoTDS: A one-class classification approach to detect botnets in internet of things devices. Sensors (Basel, Switzerland), 19(14).

Bochie, K., Gilbert, M. S., Gantert, L., Barbosa, M. S. M., Medeiros, D. S. V. e Campista, M. E. M. (2020). Aprendizado profundo em redes desafiadoras: Conceitos e aplicações. Em Minicursos do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC).

Buczak, A. L. e Guven, E. (2016). A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Communications Surveys Tutorials, 18(2):1153–1176.

Chalapathy, R. e Chawla, S. (2019). Deep learning for anomaly detection: A survey.

Goasduff, L. (2019). Gartner says 5.8 billion enterprise and automotive IoT endpoints will be in use in 2020. Gartner. Acessado em 22/05/2020.

Guan, Y. e Ge, X. (2018). Distributed attack detection and secure estimation of networked cyber-physical systems against false data injection attacks and jamming attacks. IEEE Transactions on Signal and Information Processing over Networks, 4(1):48–59.

Haddadpajouh, H., Dehghantanha, A., Khayami, R. e Choo, K.-K. R. (2018). A deep recurrent neural network based approach for internet of things malware threat hunting. Future Generation Computer Systems, 85:88–96.

Hassija, V., Chamola, V., Saxena, V., Jain, D., Goyal, P. e Sikdar, B. (2019). A survey on IoT security: Application areas, security threats, and solution architectures. IEEE Access, 7:82721–82743.

Huang, H., Ding, S., Zhao, L., Huang, H., Chen, L., Gao, H. e Ahmed, S. H. (2020). Real-time fault detection for IIoT facilities using GBRBM-based DNN. IEEE Internet of Things Journal, 7(7):5713–5722.

Koroniotis, N., Moustafa, N., Sitnikova, E. e Turnbull, B. (2019). Towards the development of realistic botnet dataset in the internet of things for network forensic analytics: Bot-IoT dataset. Future Generation Computer Systems, 100:779–796.

Luo, T. e Nagarajan, S. G. (2018). Distributed anomaly detection using autoencoder neural networks in WSN for IoT. Em 2018 IEEE International Conference on Communications (ICC), p. 1–6.

Purohit, H., Tanabe, R., Ichige, T., Endo, T., Nikaido, Y., Suefusa, K. e Kawaguchi, Y. (2019). MIMII dataset: Sound dataset for malfunctioning industrial machine investigation and inspection. Em Proceedings of the Detection and Classification of Acoustic Scenes and Events 2019 Workshop (DCASE2019), p. 209–213, New York University, NY, USA.

Sharafaldin, I., Lashkari, A. H. e Ghorbani, A. A. (2018). Toward generating a new intrusion detection dataset and intrusion traffic characterization. ICISSP 2018 - Proceedings of the 4th International Conference on Information Systems Security and Privacy, p. 108–116.

Sivanathan, A., Sherratt, D., Gharakheili, H. H., Radford, A., Wijenayake, C., Vishwanath, A. e Sivaraman, V. (2017). Characterizing and classifying iot traffic in smart cities and campuses. Em 2017 IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), p. 559–564.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. e Polosukhin, I. (2017). Attention is all you need. ArXiv, abs/1706.03762.

Vinayakumar, R., Alazab, M., Soman, K. P., Poornachandran, P., Al-Nemrat, A. e Venkatraman, S. (2019). Deep learning approach for intelligent intrusion detection system. IEEE Access, 7:41525–41550.