Abordagem Integrada de Deep Learning e P4 para Detecção e Mitigação de Ataques na Borda de Redes IoT

• Antonia Mayara de A. da Silva UFC
• Michel Sales Bonfim UFC

DOI: https://doi.org/10.5753/sbseg_estendido.2026.31749

Resumo

A Internet das Coisas (IoT) tem ampliado suas aplicações em diversos cenários, o que torna os aspectos de segurança cada vez mais relevantes. Neste trabalho, é proposta uma solução baseada em aprendizado profundo para a detecção de ataques em redes IoT, em conjunto com à mitigação rápida do tráfego malicioso por meio da linguagem P4, que permite a programabilidade do plano de dados. Três modelos de aprendizado profundo (CNN, GRU e LSTM) foram treinados e avaliados com o conjunto de dados Edge-IIoTset, alcançando acurácia superior a 99%. Os modelos foram implementados em uma Raspberry Pi 4 com suporte à plataforma P4Pi, utilizando a ferramenta OpenVINO para otimização. Além disso, foram avaliados ataques adversários e seu impacto sobre os modelos, bem como o retreinamento com amostras adversárias. A partir da análise das métricas, o modelo CNN foi selecionado para a versão final da solução.

Referências

He, K., Kim, D. D., and Asghar, M. R. (2023). Adversarial machine learning for network intrusion detection systems: A comprehensive survey. IEEE Communications Surveys & Tutorials, 25(1):538–566.

Heggi, S. R., Sukarno, P., and Mugitama, S. A. (2022). Lstm-nb: Dos attack detection on sdn with p4 programmable dataplane. In 2022 International Conference on Advanced Creative Networks and Intelligent Systems (ICACNIS), pages 1–6. IEEE.

Kaur, B., Dadkhah, S., Shoeleh, F., Neto, E. C. P., Xiong, P., Iqbal, S., Lamontagne, P., Ray, S., and Ghorbani, A. A. (2023). Internet of things (iot) security dataset evolution: Challenges and future directions. Internet of Things, page 100780.

Khedr, W. I., Gouda, A. E., and Mohamed, E. R. (2023). P4-hldmc: A novel framework for ddos and arp attack detection and mitigation in sd-iot networks using machine learning, stateful p4, and distributed multi-controller architecture. Mathematics, 11(16):3552.

Musumeci, F., Fidanci, A. C., Paolucci, F., Cugini, F., and Tornatore, M. (2022). Machinelearning-enabled ddos attacks detection in p4 programmable networks. Journal of Network and Systems Management, 30:1–27.

Novaes, M. P., Carvalho, L. F., Lloret, J., and Proença Jr, M. L. (2021). Adversarial deep learning approach detection and defense against ddos attacks in sdn environments. Future Generation Computer Systems, 125:156–167.

Qin, Q., Poularakis, K., and Tassiulas, L. (2020). A learning approach with programmable data plane towards iot security. In 2020 IEEE 40th International Conference on Distributed Computing Systems (ICDCS), pages 410–420. IEEE.

Reddy, S. S., Nishoak, K., Shreya, J., Reddy, Y. V., and Venkanna, U. (2024). A p4-based adversarial attack mitigation on machine learning models in data plane devices. Journal of Network and Systems Management, 32(1):5.

Zang, M., Zheng, C., Dittmann, L., and Zilberman, N. (2023). Towards continuous threat defense: In-network traffic analysis for iot gateways. IEEE Internet of Things Journal.