F-NIDS: Sistema de Detecção de Intrusão baseado em Aprendizado Federado
Abstrak
Nesta dissertação, abordamos os desafios de escalabilidade e segurança enfrentados por Sistemas de Detecção de Intrusão de Rede (NIDS) distribuídos em cenários de IoT, decorrentes de preocupações com privacidade. Para superar esses desafios, propomos o F-NIDS (Federated Network Intrusion Detection System), um sistema modelado com base no Federated Learning (FL), integrando técnicas de comunicação assíncrona e Privacidade Diferencial (DP). Além disso, foram desenvolvidas três estratégias para equilibrar desempenho e privacidade. Os resultados demonstram que o F-NIDS alcançou alta robustez e desempenho, com valores de detecção superiores em cenários distribuídos. A estratégia de ajuste de parâmetros permitiu identificar o nível ideal de ruído gaussiano, garantindo a preservação da privacidade sem comprometer a acurácia. Portanto, o F-NIDS representa um avanço no estado da arte, combinando escalabilidade, segurança e privacidade em sistemas distribuídos, ratificando sua eficácia e potencial para redefinir os padrões de detecção de intrusões em ambientes de IoT.
Identifier
- OpenAlex: https://openalex.org/W4412159068
- DOI: https://doi.org/10.5753/sbrc_estendido.2025.6896

