Banca de QUALIFICAÇÃO: FRANCISCO LOPES DE CALDAS FILHO

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : FRANCISCO LOPES DE CALDAS FILHO
DATA : 21/12/2023
HORA: 17:00
LOCAL: Remota
TÍTULO:

IPS system with distributed processing using Federated Learning

PALAVRAS-CHAVES:

Internet das Coisas (IoT), segurança cibernética,  redes locais, Sistemas de Detecção de Intrusão de Rede (NIDS) 

PÁGINAS: 91
RESUMO:

A Internet das Coisas (IoT) introduz vulnerabilidades de segurança significativas, levantando preocupações sobre ataques cibernéticos. Os invasores exploram essas vulnerabilidades para lançar negação de serviço distribuída (DDoS) ataques, comprometendo a disponibilidade e causando danos financeiros à infraestrutura digital. Esse estudo se concentra na mitigação de ataques DDoS em redes locais corporativas, desenvolvendo um modelo que opera mais perto da fonte do ataque. O modelo utiliza sistemas de detecção de intrusão de host (HIDS) para identificar comportamentos anômalos em dispositivos IoT e emprega detecção de intrusão baseada em rede abordagens através de Sistemas de Detecção de Intrusão de Rede (NIDS) para ataques abrangentes identificação. Além disso, um sistema de detecção e prevenção de invasões de host (HIDPS) é implementado em uma infraestrutura de Fog Computing para detecção precisa e em tempo real de ataques. O modelo proposto integra NIDS com Federated Learning, permitindo que dispositivos analisem localmente seus dados e contribuir para a detecção de tráfego anômalo. A arquitetura distribuída aprimora segurança, evitando que o tráfego de ataques volumétricos alcance provedores de serviços de Internet e servidores de destino. Esta pesquisa contribui para o avanço da segurança cibernética em redes locais ambientes e fortalece a proteção das redes IoT contra tráfego malicioso. Este trabalho destaca a eficiência da utilização de um procedimento federado de treinamento e detecção por meio de Deep Learning para minimizar o impacto de um ponto único de falha (SPOF) e reduzir a carga de trabalho de cada um dispositivo, alcançando assim uma precisão de 89,753% durante a detecção e aumentando os problemas de privacidade em uma infraestrutura IoT descentralizada com sistema de detecção e mitigação quase em tempo real.

MEMBROS DA BANCA:
Externo ao Programa - 2556078 - GEORGES DANIEL AMVAME NZE - nullExterno à Instituição - GERALDO PEREIRA ROCHA FILHO - UESB
Interno - 2201912 - RAFAEL TIMOTEO DE SOUSA JUNIOR
Externo à Instituição - ROBSON DE OLIVEIRA ALBUQUERQUE - CEPESC
Interno - 1415757 - VINICIUS PEREIRA GONCALVES