Bolsa 23/07184-1 - Segurança de redes, Internet das coisas - BV FAPESP
Busca avançada
Ano de início
Entree

Privacidade e segurança de sistemas de detecção de intrusão IoT por meio de aprendizado federado

Processo: 23/07184-1
Modalidade de apoio:Bolsas no Brasil - Doutorado
Data de Início da vigência: 01 de outubro de 2023
Data de Término da vigência: 30 de setembro de 2026
Área de conhecimento:Engenharias - Engenharia Elétrica - Telecomunicações
Pesquisador responsável:João Henrique Kleinschmidt
Beneficiário:Ogobuchi Daniel Okey
Instituição Sede: Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas (CECS). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
Bolsa(s) vinculada(s):24/12903-0 - Identificação e reconhecimento de dispositivos com aprendizado federado para detecção de intrusão em sistemas de IoT, BE.EP.DR
Assunto(s):Segurança de redes   Internet das coisas   Aprendizado federado   Sistemas de detecção de intrusão   Privacidade de dados   Inteligência artificial explicável   Tempo-real
Palavra(s)-Chave do Pesquisador:Aprendizado federado | Internet das Coisas | Segurança de Redes | Sistemas de detecção de Intrusão | Segurança de redes

Resumo

A transmissão de informações na era da Internet das Coisas (IoT), altamente empregada em diversas áreas dos empreendimentos humanos, tornou-se uma questão de grande importância. A privacidade e segurança de sistemas IoT tornaram-se agora áreas cruciais de pesquisa, considerando o número crescente de vulnerabilidades que atacantes exploram para infligir danos a esses sistemas. Aprendizado de máquina (ML) e aprendizado profundo (DL) usam abordagens de aprendizado centralizado no desenvolvimento de modelos para segurança de IoT. Apesar do desempenho do processo de aprendizagem centralizado, grandes preocupações como privacidade, propriedade dos dados e altos custos computacionais ainda existem. O aprendizado federado (FL) é um método introduzido recentemente para abordar os pontos fracos observados no aprendizado centralizado, em que dados sensíveis de IoT para desenvolvimento de modelos são armazenados em um sistema. FL oferece as vantagens de manter a privacidade dos dados do cliente, fornecendo transmissão de dados segura e reduzindo a largura de banda da rede, entre outros. No entanto, várias questões como eficiência de comunicação, privacidade de dados, explicabilidade, resposta em tempo real e escalabilidade de FL, ainda representam desafios para a implantação dos modelos de sistema de detecção de intrusão (IDS) baseados em FL. O objetivo desta proposta é propor técnicas para IDS com soluções otimizadas para privacidade e eficiência de comunicação de rede no contexto de IoT. A solução proposta envolve aprimorar algoritmos e modelos por meio de compressão e técnicas de quantização, que abordam o custo indireto de comunicação e melhoram interações entre dispositivos. Além disso, serão analisadas medidas centradas na privacidade, como privacidade diferencial e computação segura multiparty. Para garantir a aplicabilidade no mundo real, serão explorados também algoritmos de inteligência artificial explicável (XAI) no contexto do aprendizado federado, destacando sua funcionalidade em tempo real. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)