Acceso usuarios
Mateus Flach Romani, João Kleber M. dos Santos, Gabriel Filipe de O. Cardoso, Giovani B. O. Viana, Francisco Lopes de Caldas Filho, Fábio L. de Mendonça
The growing adoption of Internet of Things (IoT) devices has introduced risks such as malware and denial-of-service (DoS) attacks, demanding effective intrusion detection and prevention systems (IPS). This study compares distributed learning techniques, which analyze malicious traffic patterns without centralizing data, with a centralized model based on Gated Recurrent Units (GRU). The research evaluates the advantages and drawbacks of each approach in mitigating security threats. To ensure scalability and real-time adaptability, cloud computing is integrated into the solution, which is tested using the Mirai botnet. The goal is to contribute to the development of robust security mechanisms for IoT systems, enhancing user experience and the integrity of connected environments.
A crescente adoção de dispositivos de Internet das Coisas (IoT) trouxe riscos como malwares e ataques de negação de serviço (DoS), demandando sistemas eficazes de detecção e prevenção de intrusões (IPS). Este estudo compara técnicas de aprendizado distribuído, que analisam padrões de tráfego malicioso sem centralização de dados, com um modelo centralizado baseado em Unidade Recorrente Fechada (GRU). A pesquisa avalia as vantagens e desvantagens de cada abordagem na mitigação de ameaças à segurança. Para fornecer escalabilidade e adaptabilidade em tempo real, a computação em nuvem é integrada à solução, que é testada com a botnet Mirai. O objetivo é contribuir para o desenvolvimento de mecanismos de segurança robustos para sistemas IoT, melhorando a experiência dos usuários e a integridade dos ambientes conectados.
