Manutenção de sistemas de detecção de intrusão baseados em algoritmos de aprendizado de máquina utilizando benchmarks e software de extração de features

Abstract

Com o aumento de ataques em rede, impulsionado pelo avanço da inteligência artificial e da Internet das Coisas (IoT), que muitas vezes utiliza dispositivos com segurança frágil, torna-se crucial desenvolver mecanismos para a manutenção de Sistemas de Detecção de Intrusão (IDS). Uma forma de possibilitar isso, é utilizar estratégias para atualizar de forma constante algoritmos de aprendizado de máquina que classificam o tráfego de rede. Um dos pontos mais críticos para isso, é a extração de features da rede, pois são usadas como entrada para o treinamento de modelos de aprendizado de máquina. Assim, este trabalho teve por objetivo criar um software para extrair de forma automatizada 26 features do dataset NSL-KDD e analisar os principais fatores e benchmarks utilizados na literatura para treinar modelos de machine learning (ML), com o intuito de se obter um algoritmo ótimo de classificação a partir do conjunto de features extraídas pela ferramenta proposta. O algoritmo ótimo resultante a partir das 26 features extraídas pelo software foi obtido ao se mesclar o dataset do NSL-KDD com o Kyoto 2006 +, tendo valores de acurácia em 83,81%, recall em 75,65%, precision em 94,87% e f1-score em 84,17 % no arquivo de teste do NSL-KDD. Ainda foi utilizado o software e algoritmo de ML propostos para avaliar o desempenho no dataset CIC-IoT2023, que envolve grande quantidade de tráfego IoT, percebendo-se, após os testes no dataset, a necessidade de realizar a manutenção do algoritmo de ML para melhorar a classificação no CICIoT2023. Como último resultado, o software para extração de features foi registrado no INPI (Instituto Nacional da Propriedade Industrial) na categoria de programa de computador (BR512023001038-3).