Acceso usuarios
Brasil
Brasil
The rapid expansion of the Internet of Things (IoT) has increased network vulnerabilities, making connected devices prime targets for distributed denial-of-service (DDoS) attacks. This study presents a hybrid approach that combines Host-Based Intrusion Detection and Prevention Systems (HIDPS) and NetworkBased Intrusion Detection Systems (NIDS) with federated learning to enhance IoT network security. Federated learning enables decentralized model training while preserving data privacy, whereas HIDPS operates directly on compromised devices to maintain functionality without service disruption. By integrating signaturebased and anomaly-based detection, the proposed solution effectively identifies both known and emerging threats. Experimental results demonstrate a significant improvement in malicious traffic detection and a reduction in service unavailability for affected IoT devices.
A rápida expansão da Internet das Coisas (IoT) aumentou as vulnerabilidades das redes, tornando os dispositivos conectados alvos preferenciais para ataques de negação de serviço distribuído (DDoS). Este estudo apresenta uma abordagem híbrida que combina Sistemas de Detecção e Prevenção de Intrusões Baseados em Host (HIDPS) e Sistemas de Detecção de Intrusão Baseados em Rede (NIDS) com aprendizado federado para aprimorar a segurança das redes IoT. O aprendizado federado permite o treinamento descentralizado de modelos, preservando a privacidade dos dados, enquanto o HIDPS atua diretamente nos dispositivos comprometidos para manter a funcionalidade sem interrupção dos serviços. Ao integrar detecção baseada em assinaturas e em anomalias, a solução proposta identifica de forma eficaz tanto ameaças conhecidas quanto emergentes.
Os resultados experimentais demonstram uma melhoria significativa na detecção de tráfego malicioso e uma redução na indisponibilidade dos serviços para os dispositivos IoT afetados.
