| Título: | Transferência segura e criptografada de modelos de aprendizado federado em internet das coisas |
| Autor(es): | Cardoso, Gabriel Filipe de Oliveira |
| Orientador(es): | Caldas Filho, Francisco Lopes de |
| Assunto: | Cibersegurança
Internet das coisas
Aprendizado de máquina |
| Data de apresentação: | 18-Fev-2025 |
| Data de publicação: | 29-Mai-2026 |
| Referência: | CARDOSO, Gabriel Filipe de Oliveira. Transferência segura e criptografada de modelos de aprendizado federado em internet das coisas. 2025. 69 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia de Redes de Comunicação) — Universidade de Brasília, Brasília, 2025. |
| Resumo: | A Internet das Coisas (do inglês, Internet das Coisas - IoT) é uma tecnologia promissora e inovadora
que permite a conexão de dispositivos físicos a redes de computadores. Embora ofereça diversos benefí cios, a segurança é uma das questões críticas nesse tipo de rede devido à sua natureza de processamento
limitado, o que dificulta o desenvolvimento de soluções robustas de cibersegurança. Este projeto propõe
uma solução de transferência segura e criptografada de modelo de Aprendizado de Máquina (do inglês,
Machine Learning - ML) para um ambiente de destino a fim de detectar ataques de negação de serviço dis tribuído (do inglês, Distributed Denial of Service - DDoS). A detecção dos ataques ocorre por meio de um
sistema de detecção de intrusão (do inglês, Network Intrusion Detection System - NIDS) em conjunto ao
aprendizado federado. A transferência segura e criptografada do modelo permite que o ambiente de destino
poupe recursos computacionais com treinamentos iniciais, enquanto o NIDS e o aprendizado federado são
capazes de adaptar o modelo para o ambiente de destino. A abordagem proposta combina transferência de
modelo para um destino de NIDS com aprendizado federado, que se torna um ambiente de identificação de
DDoS. Os experimentos demonstram que, apesar das diferenças entre domínios, a transferência do modelo,
aliada à sua adequação ao ambiente de destino, contribui com resultados, desde que sejam feitas as devidas
adaptações. |
| Abstract: | The Internet of Things (IoT) is a promising and innovative technology that enables the connection of
physical devices to computer networks. While it offers numerous benefits, cybersecurity remains a critical
challenge due to the limited processing capabilities of IoT devices, which hinder the development of robust
security solutions. This work proposes a secure and encrypted transfer learning approach for a Machine
Learning (ML) model to a target environment aimed at detecting Distributed Denial of Service (DDoS)
attacks through a Network Intrusion Detection System (NIDS) combined with Federated Learning. The
secure and encrypted transfer of the model allows the target environment to save computational resources
by avoiding initial training processes. Meanwhile, the NIDS and Federated Learning adapt the model to
the target environment. The proposed approach combines model transfer to a NIDS target environment
with federated learning, creating an effective system for DDoS attack identification. The experiments de monstrate that, despite differences between domains, the transfer of the model, coupled with its adaptation
to the target environment, yields results, provided that the necessary adjustments are made. |
| Informações adicionais: | Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, 2025. |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. |
| Aparece na Coleção: | Engenharia de Redes de Comunicação
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
