@MASTERSTHESIS{ 2024:1223271758,
 	title = {Detecção de intrusão em dispositivos de Internet das coisas com uma abordagem de aprendizado federado},
 	year = {2024},
 	url = "https://tede.unioeste.br/handle/tede/7452",
 	abstract = "Diversas atividades humanas são automatizadas por meios tecnológicos capazes de gerar, processar e armazenar dados. Esse contexto é impulsionado pela Internet e sua fase subsequente conhecida como Internet das Coisas, que possibilitam o tráfego de dados e a conexão entre diferentes tipos de dispositivos de maneira distribuída. Sistemas computacionais possuem vulnerabilidades que podem ser exploradas por usuários mal-intencionados originando ataques. Tendo esse cenário em evidência, a segurança computacional se tornou alvo de estudos na literatura, onde destacam-se os sistemas de prevenção e detecção de intrusão, que são capazes de criar barreiras contra as ameaças. Tais sistemas exploram diferentes técnicas para detecção de ataques, sendo recorrente a utilização de algoritmos de aprendizagem de máquina, como as redes neurais artificiais. Além da abordagem tradicional de treinamento de redes neurais artificiais para segurança de maneira centralizada, uma nova abordagem conhecida como Federated Learning vem sendo estudada na literatura e utilizada nos sistemas. Considerando o exposto, o presente trabalho consiste em comparar o Federated Learning com a abordagem tradicional através da construção de modelos de redes neurais artificiais e posterior avaliação de seus desempenhos por meio das métricas de acurácia e recall. O experimento aplicou a base de eventos de segurança pública de detecção de intrusão nomeada IoTID20, e considera uma classificação binária. Também são relevadas diferentes distribuições de dados entre clientes da arquitetura proposta no experimento para avaliar cenários de dados Independently and Identically Distributed e Non-Independently and Identically Distributed. Os resultados apontam que ambas as abordagens estudadas possuem desempenho equivalentes quando os clientes da arquitetura possuem dados Independently and Identically Distributed e quantidades semelhantes de registros. Além disso, a abordagem de Federated Learning pode superar a centralizada quando o algoritmo de agregação escolhido é o Federated Average e o cliente da arquitetura que mais possui
 registros tem uma distribuição de dados favorável para a tarefa de classificação proposta.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Elétrica e Computação},
 	note = {Centro de Engenharias e Ciências Exatas}
}