Detecção de Intrusões na Internet das Coisas (IoT): Um Ambiente de Experimentação para Obtenção de Dados Reais sobre Protocolos Emergentes

• Isadora F. Spohr UFSM
• Douglas R. Fideles UFU
• Silvio E. Quincozes UFU / UNIPAMPA
• Juliano F. Kazienko UFSM
• Vagner E. Quincozes UFF

DOI: https://doi.org/10.5753/sbseg_estendido.2024.243399

Resumo

A comunicação eficiente entre dispositivos da Internet das Coisas (IoT), especialmente em ambientes com recursos computacionais limitados, é um desafio constante. Novos protocolos, como o Zenoh e o Data Distribution Service (DDS), têm surgido para atender a essas demandas, oferecendo alto desempenho e recursos avançados para sistemas distribuídos e em larga escala. No entanto, a literatura carece de datasets públicos para protocolos como Zenoh e XRCE-DDS (eXtremely Resource Constrained Environments), limitando as pesquisas em desempenho e segurança. Este trabalho apresenta o desenvolvimento de um dataset detalhado sobre a performance desses protocolos em diversos cenários de comunicação, fornecendo um recurso valioso para futuras pesquisas em comunicação em tempo real em sistemas IoT.

Referências

Abdulghani, R. M., Alrehili, M. M., Almuhanna, A. A., and Alhazmi, O. H. (2020). Vulnerabilities and security issues in iot protocols. In 2020 First international conference of smart systems and emerging technologies (SMARTTECH), pages 7–12. IEEE.

Alatram, A., Sikos, L. F., Johnstone, M., Szewczyk, P., and Kang, J. J. (2023). DoS/DDoS-MQTT-IoT: A dataset for evaluating intrusions in IoT networks using the MQTT protocol. Computer Networks, 231:109809.

Dehnavi, S., Goswami, D., Koedam, M., Nelson, A., and Goossens, K. (2021). Modeling, implementation, and analysis of XRCE-DDS applications in distributed multi-processor real-time embedded systems. In 2021 Design, Automation & Test in Europe Conference & Exhibition (DATE), pages 1148–1151. IEEE.

Ferraz Junior, N., Silva, A. A., Guelfi, A. E., and Kofuji, S. T. (2022). Performance evaluation of publish-subscribe systems in IoT using energy-efficient and context-aware secure messages. Journal of Cloud Computing, 11(1):6.

Foundation, O. (2016). Scenario-aware dataflow. [link]. Accessed: 19 jun. 2024.

Hindy, H., Bayne, E., Bures, M., Atkinson, R., Tachtatzis, C., and Bellekens, X. (2020). Machine learning based IoT intrusion detection system: An MQTT case study (MQTT-IoT-IDS2020 dataset). In International networking conference, pages 73–84. Springer.

Liang, W.-Y., Yuan, Y., and Lin, H.-J. (2023). A performance study on the throughput and latency of Zenoh, MQTT, Kafka, and DDS. arXiv preprint arXiv:2303.09419.

López Escobar, J. J., Díaz-Redondo, R. P., and Gil-Castiñeira, F. (2024). Unleashing the power of decentralized serverless IoT dataflow architecture for the Cloud-to-Edge Continuum: a performance comparison. Annals of Telecommunications, 79(3):135–148.

Maggi, F., Vosseler, R., Cheng, M., Kuo, P., Toyama, C., Yen, T., and Vilches, E. B. V. (2022). A Security Analysis of the Data Distribution Service (DDS) Protocol. Trend Micro Research, Inc., Japan, pages 15–20.

Quincozes, V. E., Quincozes, S. E., Kazienko, J. F., Gama, S., Cheikhrouhou, O., and Koubaa, A. (2024). A survey on IoT application layer protocols, security challenges, and the role of explainable AI in IoT (XAIoT). International Journal of Information Security, 23(3):1975–2002.

Silva Cotta, J. L., Agar, D., Bertaska, I. R., Inness, J. P., and Gutierrez, H. (2023). Latency Reduction and Packet Synchronization in Low-Resource Devices Connected by DDS Networks in Autonomous UAVs. Sensors, 23(22):9269.

Vaccari, I., Chiola, G., Aiello, M., Mongelli, M., and Cambiaso, E. (2020). MQTTset, a new dataset for machine learning techniques on MQTT. Sensors, 20(22):6578.

Zhang, J., Yu, X., Ha, S., Pena Queralta, J., and Westerlund, T. (2023). Comparison of DDS, MQTT, and Zenoh in Edge-to-Edge and Edge-to-Cloud Communication for Distributed ROS 2 Systems. arXiv e-prints, pages arXiv–2309.