IPS System with distributed processing using federated learning

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Caldas Filho, Francisco Lopes de
Orientador(a): Mendonça, Fábio Lúcio Lopes de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: http://repositorio.unb.br/handle/10482/55333
Resumo: Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2025.
id UNB_821999f2a85d0c993c421f8ed67e898d
oai_identifier_str oai:repositorio.unb.br:10482/55333
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Caldas Filho, Francisco Lopes deMendonça, Fábio Lúcio Lopes de2026-07-09T17:25:23Z2026-07-09T17:25:23Z2026-07-092025-08-15CALDAS FILHO, Francisco Lopes de. IPS system with distributed processing using federated learning. 2025. 134 f., il. Tese (Doutorado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2025.http://repositorio.unb.br/handle/10482/55333Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2025.Esta tese aborda os desafios de segurança decorrentes da rápida expansão da Internet das Coisas (IoT), frequentemente implantada com pouca proteção e softwares desatualizados. Esse cenário ampliou a superfície global de ataque, tornando dispositivos IoT alvos de botnets e ataques de negação de serviço distribuído (DDoS). As soluções existentes, em geral centralizadas em provedores ou baseadas em nuvem, apresentam limitações como alta latência, consumo excessivo de recursos e vulnerabilidade a pontos únicos de falha (SPOF). Para enfrentar esses desafios, a pesquisa propõe o GAIA (General Architecture for Intelligent Anomaly Mitigation), um sistema distribuído e preservador de privacidade de detecção e prevenção de intrusões em hosts e redes (HIDPS), projetado para ambientes IoT. O GAIA utiliza Aprendizado Federado (Federated Learning) para detecção descentralizada de anomalias e treinamento colaborativo de modelos, aliado a uma camada de orquestração em Computação em Névoa (Fog Computing) para aplicar ações de mitigação em tempo real próximas à origem do ataque. Sua arquitetura híbrida combina IDS baseados em host (HIDS) e em rede (NIDS), com modelos de aprendizado de máquina executados localmente em dispositivos e nós de névoa. A validação foi realizada em um testbed real, incluindo infraestrutura física de rede e a execução do botnet Mirai, permitindo simulações realistas de ataques DDoS. Os resultados mostraram que o GAIA alcançou 92,31% de acurácia na detecção, taxa de falsos positivos inferior a 7% e tempo médio de resposta inferior a 2 segundos durante picos de ataque, bloqueando o tráfego malicioso em sua origem. Em comparação com soluções centralizadas de ponta, o GAIA demonstrou maior escalabilidade, resiliência a SPOFs e menor consumo de banda, confirmando sua viabilidade para implantação em ambientes IoT de grande escala e heterogêneos.The rapid proliferation of Internet of Things (IoT) devices, often deployed with minimal security and outdated software, has significantly increased the global attack surface, making these devices prime targets for botnet recruitment and large-scale Distributed Denial-of-Service (DDoS) attacks. Existing mitigation approaches, typically provider-centric or reliant on cloud-based analysis, face critical limitations such as high latency, excessive resource consumption in local networks, and vulnerability to single points of failure (SPOF). This thesis addresses these challenges by introducing GAIA (General Architecture for Intelligent Anomaly Mitigation), a distributed and privacy-preserving Host and Network Intrusion Detection and Prevention System (HIDPS) specifically tailored for IoT environments. GAIA leverages Federated Learning (FL) for decentralized anomaly detection and collaborative model training, integrated with a Fog Computing orchestration layer to enforce real-time mitigation actions close to the attack source. Its hybrid architecture combines Host-Based IDS (HIDS) for endpoint protection and Network-Based IDS (NIDS) for global traffic monitoring, with anomaly detection powered by machine learning models deployed locally on devices and fog nodes. To validate GAIA, a real-world testbed was built, incorporating physical network infrastructure and a live deployment of the Mirai botnet, enabling realistic simulation of DDoS attack scenarios. The experimental results demonstrate that GAIA achieved a detection accuracy of 92.31% and a false positive rate below 7%, ensuring effective identification of malicious activities with minimal impact on legitimate traffic. Moreover, the system exhibited low latency in triggering mitigation rules, with average response times under 2 seconds during attack peaks, successfully blocking malicious traffic at its source before it could propagate through the network. When compared against state-of-the-art centralized solutions, GAIA delivered superior scalability, resilience to SPOFs, and significantly reduced network bandwidth consumption, confirming its feasibility for deployment in large-scale and heterogeneous IoT environments.Faculdade de Tecnologia (FT)Departamento de Engenharia Elétrica (FT ENE)Programa de Pós-Graduação em Engenharia ElétricaengA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessIPS System with distributed processing using federated learningSistema de IPS com processamento distribuído utilizando aprendizado federadoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisInternet das Coisas (IoT)Ataque de negação de serviço distribuído (DDoS)Computação em névoaDetecção de anomaliasSistema de detecção de intrusão (IDS)reponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINALFranciscoLopesDeCaldasFilho_TESE.pdfFranciscoLopesDeCaldasFilho_TESE.pdfapplication/pdf2512992http://repositorio.unb.br/bitstream/10482/55333/1/FranciscoLopesDeCaldasFilho_TESE.pdf19b0f787db70267a818e99ea4867f167MD51open accessLICENSElicense.txtlicense.txttext/plain102http://repositorio.unb.br/bitstream/10482/55333/2/license.txtaed4704d04bb260d4decd80db311aaa5MD52open access10482/553332026-09-22 16:08:26.022open accessoai:repositorio.unb.br:10482/55333U3VibWlzc8OjbyBlZmV0aXZhZGEgZGUgYWNvcmRvIGNvbSBsaWNlbsOnYSBjb25jZWRpZGEgcGVsbyBhdXRvciBlL291IGRldGVudG9yIGRvcyBkaXJlaXRvcyBhdXRvcmFpcy4KRepositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2026-09-22T19:08:26Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv IPS System with distributed processing using federated learning
dc.title.alternative.pt_BR.fl_str_mv Sistema de IPS com processamento distribuído utilizando aprendizado federado
title IPS System with distributed processing using federated learning
spellingShingle IPS System with distributed processing using federated learning
Caldas Filho, Francisco Lopes de
Internet das Coisas (IoT)
Ataque de negação de serviço distribuído (DDoS)
Computação em névoa
Detecção de anomalias
Sistema de detecção de intrusão (IDS)
title_short IPS System with distributed processing using federated learning
title_full IPS System with distributed processing using federated learning
title_fullStr IPS System with distributed processing using federated learning
title_full_unstemmed IPS System with distributed processing using federated learning
title_sort IPS System with distributed processing using federated learning
author Caldas Filho, Francisco Lopes de
author_facet Caldas Filho, Francisco Lopes de
author_role author
dc.contributor.author.fl_str_mv Caldas Filho, Francisco Lopes de
dc.contributor.advisor1.fl_str_mv Mendonça, Fábio Lúcio Lopes de
contributor_str_mv Mendonça, Fábio Lúcio Lopes de
dc.subject.keyword.pt_BR.fl_str_mv Internet das Coisas (IoT)
Ataque de negação de serviço distribuído (DDoS)
Computação em névoa
Detecção de anomalias
Sistema de detecção de intrusão (IDS)
topic Internet das Coisas (IoT)
Ataque de negação de serviço distribuído (DDoS)
Computação em névoa
Detecção de anomalias
Sistema de detecção de intrusão (IDS)
description Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2025.
publishDate 2025
dc.date.submitted.none.fl_str_mv 2025-08-15
dc.date.accessioned.fl_str_mv 2026-07-09T17:25:23Z
dc.date.available.fl_str_mv 2026-07-09T17:25:23Z
dc.date.issued.fl_str_mv 2026-07-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv CALDAS FILHO, Francisco Lopes de. IPS system with distributed processing using federated learning. 2025. 134 f., il. Tese (Doutorado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2025.
dc.identifier.uri.fl_str_mv http://repositorio.unb.br/handle/10482/55333
identifier_str_mv CALDAS FILHO, Francisco Lopes de. IPS system with distributed processing using federated learning. 2025. 134 f., il. Tese (Doutorado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2025.
url http://repositorio.unb.br/handle/10482/55333
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
bitstream.url.fl_str_mv http://repositorio.unb.br/bitstream/10482/55333/1/FranciscoLopesDeCaldasFilho_TESE.pdf
http://repositorio.unb.br/bitstream/10482/55333/2/license.txt
bitstream.checksum.fl_str_mv 19b0f787db70267a818e99ea4867f167
aed4704d04bb260d4decd80db311aaa5
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1880322303030460416

Registros relacionados