Hänsel und Gretel: algoritmo para melhoria da resiliência cibernética pela diversificação de ativos através de aprendizado de máquina
Resumo
A segurança cibernética é crucial em todos os setores da sociedade moderna devido ao surgimento constante de novas ameaças. Neste contexto a diversificação de ativos é uma ferramenta valiosa para limitar ou mesmo impedir a propagação de um malware. Este trabalho apresenta uma pesquisa em andamento para o desenvolvimento de uma abordagem que almeja melhorar a resiliência cibernética de um sistema industrial diversificando os recursos de redes utilizando aprendizado de máquina para encontrar os caminhos críticos e as alternativas mais seguras.Referências
Asghar, M. R., Hu, Q., and Zeadally, S. (2019). Cybersecurity in industrial control systems: Issues, technologies, and challenges. Computer Networks, 165:106946.
Beineke, L. W. and Bagga, J. S. (2021). Line graphs and line digraphs. Springer.
Choi, S.-S., Cha, S.-H., Tappert, C. C., et al. (2010). A survey of binary similarity and distance measures. Journal of systemics, cybernetics and informatics, 8(1):43–48.
Ellis, J. E., Parker, T. W., Vandekerckhove, J., Murphy, B. J., Smith, S., Kott, A., and Weisman, M. J. (2022). An experimentation infrastructure for quantitative measurements of cyber resilience. In MILCOM 2022-2022 IEEE Military Communications Conference (MILCOM), pages 855–860. IEEE.
Li, T., Feng, C., and Hankin, C. (2018). Improving ics cyber resilience through optimal diversification of network resources. arXiv preprint arXiv:1811.00142.
Lin, C.-T., Wu, S.-L., and Lee, M.-L. (2017). Cyber attack and defense on industry control systems. In 2017 IEEE Conference on Dependable and Secure Computing, pages 524–526. IEEE.
Prieto, Y., Figueroa, M., and Pezoa, J. E. (2021). Maximizing network reliability to 0-day exploits through a heterogeneous node migration strategy. IEEE Access, 9:97747–97759.
Raj Samani (2021). McAfee labs threats report. Technical report, McAfee.
Russell, S. J. and Norvig, P. (2004). Inteligência artificial. Elsevier.
Zhang, Q., Cho, J.-H., Moore, T. J., and Nelson, F. F. (2021). Drevan: Deep reinforcement learning-based vulnerability-aware network adaptations for resilient networks. In 2021 IEEE Conference on Communications and Network Security (CNS), volume ., pages 137–145. IEEE.
Beineke, L. W. and Bagga, J. S. (2021). Line graphs and line digraphs. Springer.
Choi, S.-S., Cha, S.-H., Tappert, C. C., et al. (2010). A survey of binary similarity and distance measures. Journal of systemics, cybernetics and informatics, 8(1):43–48.
Ellis, J. E., Parker, T. W., Vandekerckhove, J., Murphy, B. J., Smith, S., Kott, A., and Weisman, M. J. (2022). An experimentation infrastructure for quantitative measurements of cyber resilience. In MILCOM 2022-2022 IEEE Military Communications Conference (MILCOM), pages 855–860. IEEE.
Li, T., Feng, C., and Hankin, C. (2018). Improving ics cyber resilience through optimal diversification of network resources. arXiv preprint arXiv:1811.00142.
Lin, C.-T., Wu, S.-L., and Lee, M.-L. (2017). Cyber attack and defense on industry control systems. In 2017 IEEE Conference on Dependable and Secure Computing, pages 524–526. IEEE.
Prieto, Y., Figueroa, M., and Pezoa, J. E. (2021). Maximizing network reliability to 0-day exploits through a heterogeneous node migration strategy. IEEE Access, 9:97747–97759.
Raj Samani (2021). McAfee labs threats report. Technical report, McAfee.
Russell, S. J. and Norvig, P. (2004). Inteligência artificial. Elsevier.
Zhang, Q., Cho, J.-H., Moore, T. J., and Nelson, F. F. (2021). Drevan: Deep reinforcement learning-based vulnerability-aware network adaptations for resilient networks. In 2021 IEEE Conference on Communications and Network Security (CNS), volume ., pages 137–145. IEEE.
Publicado
18/09/2023
Como Citar
ALMEIDA, Fernando Nunes de; CUNHA, Antonio Eduardo Carrilho da; SANTOS, Anderson Fernandes Pereira dos; PELLANDA, Paulo César.
Hänsel und Gretel: algoritmo para melhoria da resiliência cibernética pela diversificação de ativos através de aprendizado de máquina. In: SIMPÓSIO BRASILEIRO DE SEGURANÇA DA INFORMAÇÃO E DE SISTEMAS COMPUTACIONAIS (SBSEG), 23. , 2023, Juiz de Fora/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 546-551.
DOI: https://doi.org/10.5753/sbseg.2023.233085.
