Título: Abordagens de Aprendizado de Máquina para Segurança em Redes IoT
Autores: José Maria Pires de Menezes Júnior, Leylane Teixeira Bastos & Juan de Sousa Rodrigues
Resumo: O avanço da Internet das Coisas (IoT) ampliou a conectividade entre dispositivos e trouxe ganhos em automação e eficiência, mas também aumentou os riscos de segurança. Este trabalho investiga o uso de modelos de aprendizado de máquina para detectar tráfego malicioso em redes IoT, com foco na mitigação do desbalanceamento de dados — desafio comum, já que ataques representam uma fração reduzida dos eventos. Foram avaliados cinco algoritmos supervisionados: Random Forest, Support Vector Machine (SVM), LightGBM, XGBoost e Explainable Boosting Machine (EBM). Aplicou-se oversampling como técnica de balanceamento, e o desempenho dos modelos foi analisado por meio de métricas como acurácia, precisão, recall, F1-score e tempo de treinamento. Os resultados mostraram que o Random Forest obteve o melhor desempenho em recall (98,92%) e apresentou F1-score de 96,04%. Já o LightGBM e o XGBoost também atingiram F1-scores superiores a 95%, com tempos de treinamento inferiores a 25 minutos. O EBM destacou-se pela interpretabilidade e desempenho consistente. Conclui-se que a combinação entre aprendizado de máquina e técnicas de balanceamento contribui para soluções mais robustas em segurança IoT, desde que se equilibrem sensibilidade, custo computacional e transparência.
Palavras-chave: Internet of Things; Security; Attack Detection; Data Balancing; Machine Learning; Model Performance; Oversampling.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191816
Artigo em PDF: CBIC_2025_paper1191816.pdf
Arquivo BibTeX:
CBIC_2025_1191816.bib