Detecção de Intrusão em Múltiplos Domínios com NIDS Baseado em Saídas Antecipadas

• Lucas Sotomaior A. Pereira PUCPR
• Eduardo K. Viegas PUCPR

DOI: https://doi.org/10.5753/sbseg_estendido.2026.27999

Resumo

Este artigo propõe uma arquitetura de Network Intrusion Detection System (NIDS) que combina treinamento cross-dataset e um mecanismo dinâmico de saídas antecipadas para equilibrar o desempenho de detecção e a eficiência computacional. A abordagem utiliza um ramo leve para classificar amostras de menor complexidade e um ramo de maior capacidade computacional para processar eventos que exigem representações mais profundas. Experimentos realizados nos conjuntos de dados BoT-IoT, UNSW-NB15 e CICIDS2018 demonstram que a estratégia proposta melhora a capacidade de generalização em diferentes domínios, alcançando ganhos de até 0, 25, 0, 25 e 0, 34 na pontuação F1, respectivamente, quando comparada a arquiteturas convencionais. Além disso, o mecanismo de saída antecipada reduz o custo médio de inferência em até 22%, mantendo alto desempenho de classificação. Os resultados evidenciam que a combinação entre adaptação multidomínio e inferência hierárquica constitui uma alternativa eficiente para a implantação de NIDS em ambientes de rede heterogêneos e com restrições computacionais.

Referências

Barik, K. and Misra, S. (2025). A comprehensive defense approach of deep learning-based nids against adversarial attacks. Multimedia Tools and Applications, 84(31):37745–37791.

Cantone, M., Marrocco, C., and Bria, A. (2024). Machine learning in network intrusion detection: A cross-dataset generalization study. IEEE Access, 12:144489–144508.

de Oliveira, V. M., de Oliveira, H. M., Santos, G. M., Geremias, J., and Viegas, E. K. (2025). A big data framework for scalable and cross-dataset capable machine learning in network intrusion detection systems. IEEE Access, 13:129419–129431.

Espindola, A. d. S., Casimiro, A., Santin, A. O., Ferreira, P. M., and Viegas, E. K. (2026a). Enhancing intrusion detection generalization via diversity-driven multi-view ensemble learning in industrial systems. Future Generation Computer Systems, 182:108458.

Espindola, A. d. S., Santin, A. O., Casimiro, A., Ferreira, P. M., and Viegas, E. K. (2026b). Understanding the adversary: A survey of adversarial machine learning in network intrusion detection. Computer Science Review, 62:100995.

Filho, A. G., Viegas, E. K., Santin, A. O., and Geremias, J. (2025). A dynamic network intrusion detection model for infrastructure as code deployed environments. Journal of Network and Systems Management, 33(4).

Koroniotis, N., Moustafa, N., Sitnikova, E., and 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.

Lidholm, P., Markovic, T., Leon, M., and Strandberg, P. E. (2024). Network intrusion detection using machine learning on resource-constrained edge devices. In 2024 International Joint Conference on Neural Networks (IJCNN), page 1–8. IEEE.

Molina-Coronado, B., Mori, U., Mendiburu, A., and Miguel-Alonso, J. (2020). Survey of network intrusion detection methods from the perspective of the knowledge discovery in databases process. IEEE Transactions on Network and Service Management, 17(4):2451–2479.

Moustafa, N. and Slay, J. (2015). Unsw-nb15: a comprehensive data set for network intrusion detection systems (unsw-nb15 network data set). In 2015 Military Communications and Information Systems Conference (MilCIS), page 1–6. IEEE.

Pawlicki, M., Kozik, R., and Choraś, M. (2023). Improving siamese neural networks with border extraction sampling for the use in real-time network intrusion detection. In 2023 International Joint Conference on Neural Networks (IJCNN), page 1–8. IEEE.

Roy, S., Li, J., Choi, B.-J., and Bai, Y. (2022). A lightweight supervised intrusion detection mechanism for iot networks. Future Generation Computer Systems, 127:276–285.

Sarhan, M. and Layeghy, S. (2023). Nf-cse-cic-ids2018.

Simioni, J., Viegas, E. K., Santin, A., and Horchulhack, P. (2025a). An early exit deep neural network for fast inference intrusion detection. In Proceedings of the 40th ACM/SIGAPP Symposium on Applied Computing, SAC ’25, page 730–737. ACM.

Simioni, J. A., Viegas, E. K., Santin, A. O., and de Matos, E. (2025b). An energy-efficient intrusion detection offloading based on dnn for edge computing. IEEE Internet of Things Journal, 12(12):20326–20342.

Wang, C., Xu, D., Li, Z., and Niyato, D. (2024). Effective intrusion detection in highly imbalanced iot networks with lightweight s2cgan-ids. IEEE Internet of Things Journal, 11(9):15140–15151.

Zohourian, A., Dadkhah, S., Molyneaux, H., Neto, E. C. P., and Ghorbani, A. A. (2024). Iot-prids: Leveraging packet representations for intrusion detection in iot networks. Computers & Security, 146:104034.