FedPEAC-Net: Seleção de Atributos e Modelo Neural Híbrido Baseados em Autocodificadores para Sistemas de Detecção de Intrusão Federados

• Ricardo A. Lundgren UFF
• Tadeu N. Ferreira UFF
• Diogo M. F. Mattos UFF

DOI: https://doi.org/10.5753/semish.2025.9218

Resumo

O crescimento acelerado da Internet e de dispositivos inteligentes ampliou o volume de dados gerados na borda da rede, elevando também a incidência de ataques voltados à exploração de informações sensíveis. Assim, tornam-se evidentes a relevância e a necessidade de sistemas de detecção de intrusão (Intrusion Detection Systems IDS) distribuídos, eficientes e que preservem a privacidade dos usuários. Este artigo propõe o FedPEAC-Net, um IDS baseado em aprendizado federado que combina um autocodificador e um classificador binário treinados em paralelo, integrados a uma técnica de seleção de atributos guiada pelo erro de reconstrução. A metodologia adotada envolve experimentação com o conjunto de dados CICIDS2017 em um cenário federado com 10 clientes. Os resultados demonstram que o FedPEAC-Net alcança F1-score de 0,95 antes e 0,93 após a seleção de atributos, mostrando redução de apenas 2,3%, enquanto modelos ResNet e LeNet-5 apresentaram quedas de 15,6% e 15%. Esses resultados confirmam a eficácia da proposta para ambientes distribuídos, mesmo com dispositivos com recursos limitados.

Referências

Abdulganiyu, O. H., Ait Tchakoucht, T. e Saheed, Y. K. (2023). A systematic literature review for network intrusion detection system (IDS). International Journal of Information Security, 22(5):1125–1162.

Andreoni Lopez, M., Mattos, D. M. F., Duarte, O. C. M. B. e Pujolle, G. (2019). A fast unsupervised preprocessing method for network monitoring. Annals of Telecommunications, 74(3):139–155.

Barbosa, G. N. N., Andreoni, M. e Mattos, D. M. F. (2024). Optimizing feature selection in intrusion detection systems: Pareto dominance set approaches with mutual information and linear correlation. Ad Hoc Networks, 159:103485.

Bout, E., Loscri, V. e Gallais, A. (2022). How machine learning changes the nature of cyberattacks on iot networks: A survey. IEEE Communications Surveys & Tutorials, 24(1):248–279.

Cui, W., Lu, Q., Qureshi, A. M., Li, W. e Wu, K. (2020). An adaptive LeNet-5 model for anomaly detection. Information Security Journal: A Global Perspective, 30:19–29.

Cunha Neto, H. N., Hribar, J., Dusparic, I., Fernandes, N. C. e Mattos, D. M. (2024). Fedsbs: Federated-learning participant-selection method for intrusion detection systems. Computer Networks, 244:110351.

Cunha Neto, H. N., Mattos, D. M. F. e Fernandes, N. C. (2020). Privacidade do usuário em aprendizado colaborativo: Federated learning, da teoria à prática. Minicursos do Simpósio Brasileiro de Segurança de Informação e de Sistemas Computacionais - SBSeg, 20:142–195.

Hussain, F., Abbas, S. G., Husnain, M., Fayyaz, U. U., Shahzad, F. e Shah, G. A. (2020). IoT DoS and DDoS attack detection using ResNet. Em 2020 IEEE 23rd International Multitopic Conference (INMIC), p. 1–6.

Kasongo, S. M. e Sun, Y. (2020). Performance analysis of intrusion detection systems using a feature selection method on the UNSW-NB15 dataset. Journal of Big Data, 7(1).

Kunang, Y. N., Nurmaini, S., Stiawan, D., Zarkasi, A., Firdaus e Jasmir (2018). Automatic features extraction using autoencoder in intrusion detection system. Em 2018 International Conference on Electrical Engineering and Computer Science (ICECOS), p. 219–224.

Masters, D. e Luschi, C. (2018). Revisiting small batch training for deep neural networks.

Meng, Q., Catchpoole, D., Skillicom, D. e Kennedy, P. J. (2017). Relational autoencoder for feature extraction. Em 2017 International Joint Conference on Neural Networks (IJCNN), p. 364–371.

Neto, H. N. C., Hribar, J., Dusparic, I., Mattos, D. M. F. e Fernandes, N. C. (2023). A survey on securing federated learning: Analysis of applications, attacks, challenges, and trends. IEEE Access, 11:41928–41953.

Nimbalkar, P. e Kshirsagar, D. (2021). Feature selection for intrusion detection system in internet-of-things (IoT). ICT Express, 7(2):177–181.

Qin, Y. e Kondo, M. (2021). Federated learning-based network intrusion detection with a feature selection approach. Em 2021 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), p. 1–6.

Sharafaldin, I., Habibi Lashkari, A. e Ghorbani, A. A. (2018). Toward generating a new intrusion detection dataset and intrusion traffic characterization. Em Proceedings of the 4th International Conference on Information Systems Security and Privacy. SCITEPRESS - Science and Technology Publications.

Silva, J. V. V., de Oliveira, N. R., Medeiros, D. S., Lopez, M. A. e Mattos, D. M. (2022). A statistical analysis of intrinsic bias of network security datasets for training machine learning mechanisms. Annals of Telecommunications, p. 1–17.

Wang, W., Liang, C., Chen, Q., Tang, L., Yanikomeroglu, H. e Liu, T. (2022). Distributed online anomaly detection for virtualized network slicing environment. IEEE Transactions on Vehicular Technology.