RFoT: um framework para garantia da confiabilidade de dados na névoa das coisas.

• Ano de defesa: 2024
• Autor(a) principal: Silva, Eliabe Nascimento
• Orientador(a): Prazeres, Cássio Vinícius Serafim
• Banca de defesa: Prazeres, Cássio Vinícius Serafim , Mota, Vinicius Fernandes Soares , Santos, Bruno Pereira dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação (PGCOMP)
• Departamento: Instituto de Computação - IC
• País: Brasil
• Palavras-chave em Português: Internet das coisas; Blockchain; Contratos inteligentes; Gêmeo digital
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufba.br/handle/ri/41564

Este trabalho apresenta a Névoa das Coisas Confiável (do Inglês Realible Fog of Things) (RFoT), um framework que integra uma rede de Internet das Coisas (do inglês Internet of Things) (IoT) com as tecnologias de Blockchain e Contratos Inteligentes (do Inglês Smart Contracts) (CI), para ofertar a IoT como uma fonte de dados confiável para sistemas de treinamento de modelos de Aprendizado de Máquina (do Inglês Machine Learning) (AM). O conceito de confiabilidade aplicado nesta pesquisa fundamenta-se nos quatro pilares da segurança da informação: confidencialidade, integridade, disponibilidade e autenticidade. A confidencialidade foi subdividida em automação de processos e privacidade, associadas aos CI e criptografia síncrona de Fernet, enquanto a integridade e a autenticidade fo- ram associadas à imutabilidade e à rastreabilidade proporcionadas pela Blockchain. Esse conceito de confiabilidade foi avaliado por experimentos que submeteram o RFoT e uma IoT convencional a situações de estresse, a fim de comparar suas capacidades protetivas. Nesta pesquisa, se entende como convencional uma IoT que não implementa medidas para garantir a confiabilidade das amostras coletadas. Nesses experimentos, foi utilizado um sistema AM, baseado no algoritmo de Aprendizado Federado (do inglês, Federated Learning) (AF) para treinar uma Rede Neural (do inglês Neural Network) (RN) capaz de prever o conforto térmico de um ambiente, guiada pelo cálculo do Indice de Desconforto Térmico (IDT). O sistema AM atuou como consumidor nos experimentos, a fim de validar se dados corrompidos estão sendo propagados pela fonte e o impacto gerado nos modelos treinados. Os resultados revelaram que uma IoT convencional propaga dados corrom- pidos, os quais afetam a capacidade de classificação dos modelos. Em contrapartida, o framework proposto consegue garantir que apenas os dados originais sejam enviados a um consumidor, mesmo que o atacante seja capaz de alterá-los, sem comprometer os princípios que regem a confiabilidade da fonte de dados e o processo de treinamento dos modelos AM. Além disso, para determinar a viabilidade de implementação da arquite- tura, foram realizadas análises de custo computacional, recursos de mercado e impacto temporal da integração das tecnologias.