Defesa Distribuída: Avaliação do Aprendizado Federado para Detecção de Ataques em Sistemas Operacionais

• Mateus V. de Castro UNIFESP http://orcid.org/0009-0007-6253-7339
• Bruno Kimura UNIFESP http://orcid.org/0000-0002-2174-2762
• Allan M. de Souza UNICAMP http://orcid.org/0000-0002-5518-8392
• Leandro Villas UNICAMP http://orcid.org/0000-0002-3372-3366
• Joahannes B. D. da Costa USP http://orcid.org/0000-0001-9973-2479

DOI: https://doi.org/10.5753/sbseg_estendido.2026.28602

Resumo

A detecção dinâmica de aplicações móveis maliciosas requer rastros de execução amplos, recentes e representativos. Como a maioria das abordagens utiliza técnicas de aprendizado de máquina para essa detecção, há demanda por centralizar grandes volumes de dados para o treinamento dos modelos. Porém, essa centralização é dificultada por diversos desafios. A coleta de sequências de chamadas de sistema requer instrumentação custosa das aplicações, as diferenças entre dispositivos e versões do sistema geram distribuições heterogêneas de dados, e a concentração de dados compromete a privacidade e consome recursos críticos em dispositivos móveis e de borda. Assim, este trabalho propõe um mecanismo de detecção distribuído baseado em Aprendizado Federado, que permite treinar modelos localmente e compartilhar apenas suas atualizações com um servidor de agregação. O método alcança 0,900 de acurácia, 0,896 de F1-macro e 0,922 de AUPRC, além de reduzir significativamente o tráfego de dados em comparação com abordagens centralizadas, conciliando a efetividade das abordagens de aprendizado de máquina com as restrições de privacidade e recursos dos dispositivos.

Referências

Ahmadian Ramaki, A., Rasoolzadegan, A., and Javan Jafari, A. (2018). A systematic review on intrusion detection based on the hidden markov model. Statistical Analysis and Data Mining: The ASA Data Science Journal, 11(3):111–134.

Belarbi, O., Spyridopoulos, T., Anthi, E., Mavromatis, I., Carnelli, P., and Khan, A. (2023). Federated deep learning for intrusion detection in iot networks. In 2023 IEEE Global Communications Conference (GLOBECOM), pages 237–242, Kuala Lumpur, Malaysia. IEEE.

de Souza, A. M., Maciel, F., da Costa, J. B. D., Bittencourt, L. F., Cerqueira, E., Loureiro, A. A., and Villas, L. A. (2024). Adaptive Client Selection with Personalization for Communication Efficient Federated Learning. Ad Hoc Networks, 157:103462.

Du, M., Li, F., Zheng, G., and Srikumar, V. (2017). DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning. In Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, pages 1285–1298.

Duan, G., Liu, H., Cai, M., Sun, J., and Chen, H. (2024). Madroid: A maliciousness-aware multifeatured dataset for detecting android malware. Computers Security, 144:103969.

Forrest, S., Hofmeyr, S. A., Somayaji, A., and Longstaff, T. A. (1996). A sense of self for unix processes. In Proceedings 1996 IEEE symposium on security and privacy, pages 120–128. IEEE.

Guerra-Manzanares, A. and Välbe, M. (2022). Cross-device behavioral consistency: Benchmarking and implications for effective android malware detection. Machine Learning with Applications, 9:100357.

Husnoo, M. A., Anwar, A., Haque, M. E., and Mahmood, A. N. (2024). Decentralized federated anomaly detection in smart grids: a p2p gossip approach. arXiv preprint arXiv:2407.15879.

Khreich, W., Khosravifar, B., Hamou-Lhadj, A., and Talhi, C. (2017). An anomaly detection system based on variable n-gram features and one-class svm. Information and Software Technology, 91:186–197.

Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A., and Smith, V. (2020). Federated optimization in heterogeneous networks. Proceedings of Machine learning and systems, 2:429–450.

Libardi, G. M. A., Kimura, B. Y. L., and da Costa, J. B. D. (2025). Menos é Mais: Avaliação do Impacto da Compressão de Modelos na Eficiência do Aprendizado Federado. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), pages 290–297. SBC.

Liu, M., Xue, Z., Xu, X., Zhong, C., and Chen, J. (2018). Host-Based Intrusion Detection System with System Calls: Review and Future Trends. ACM computing surveys (CSUR), 51(5):1–36.

McMahan, B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. In Artificial intelligence and statistics, pages 1273–1282. Pmlr.

Mehedi, S. T., Islam, C., Ramachandran, G., and Jurdak, R. (2026). DySec: A Machine Learning-Based Dynamic Analysis for Detecting Malicious Packages in PyPI Ecosystem. IEEE Transactions on Information Forensics and Security, 21:1316–1331.

Pendlebury, F., Pierazzi, F., Jordaney, R., Kinder, J., and Cavallaro, L. (2019). TESSERACT: Eliminating experimental bias in malware classification across space and time. In 28th USENIX Security Symposium (USENIX Security 19), pages 729–746, Santa Clara, CA. USENIX Association.

Reddi, S. J., Charles, Z., Zaheer, M., Garrett, Z., Rush, K., Konečný, J., Kumar, S., and McMahan, H. B. (2021). Adaptive Federated Optimization. In International Conference on Learning Representations.

Tartakovsky, A., Rozovskii, B., Blazek, R., and Kim, H. (2006). A novel approach to detection of intrusions in computer networks via adaptive sequential and batch-sequential change-point detection methods. IEEE Transactions on Signal Processing, 54(9):3372–3382.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., and Polosukhin, I. (2017). Attention is all you need. In 31st International Conference on Neural Information Processing Systems, NIPS’17, page 6000–6010, Red Hook, NY, USA. Curran Associates Inc.