Federated Transfer Learning para detecção de intrusão e redes de computadores

• Ano de defesa: 2025
• Autor(a) principal: Reis, Carlos de Jesus [UNESP]
• Orientador(a): Costa, Kelton Augusto Pontara [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Inglês: Federated learning; Transfer learning; Federated transfer learning; Intrusion detection system; Network intrusion detection system; Machine learning
• Link de acesso: https://hdl.handle.net/11449/296822; https://orcid.org/0000-0001-7856-658X

Com a crescente inserção da tecnologia da informação em diversos processos do mundo atual, observa-se um aumento significativo nos ciberataques a infraestruturas de redes e dispositivos. A propagação de softwares maliciosos, capazes de comprometer a integridade de diferentes sistemas, tem impulsionado empresas a investirem continua mente em segurança cibernética. Nesse contexto, as técnicas de Machine Learning (ML) vêm sendo cada vez mais utilizadas na cibersegurança, permitindo a criação de Sistemas de Detecção de Intrusão (IDS). No entanto, a maioria dos estudos e implementações existentes adotam uma abordagem centralizada, em que as atividades de treinamento e teste ocorrem exclusivamente em um servidor central, limitando a escalabilidade e aumentando os riscos associados ao compartilhamento de dados sensíveis. Diante desse cenário, este trabalho propõe a aplicação de Federated Learning (FL) aliado ao Transfer Learning (TL), resultando em uma arquitetura de Federated Transfer Learning (FTL). O FL permite a execução descentralizada e colaborativa do treinamento e teste dos modelos, garantindo a privacidade dos dados ao evitar sua transmissão para um servidor central. Além disso, essa abordagem mitiga os desafios relacionados à transferência de grandes volumes de dados. O TL, por sua vez, possibilita reaproveitar o conhecimento previamente adquirido, otimizando o desempenho dos modelos em diferentes cenários. A orquestração do FL foi realizada por meio do Framework Flower, amplamente utilizado no meio acadêmico, enquanto a gestão da TL foi conduzida por uma pipeline de DevOps, alternativa inovadora para automatizar e garantir a segurança do processo de transferência de modelos pré-treinados. Para validar a proposta, foram utilizados os conjuntos de dados BOT-IoT e TON_IoT, que contêm amostras rotuladas de tráfego de rede. O estudo utilizou uma Linear Neural Networks (LNN) como modelo compartilhado e o algoritmo de agregação FedAvg para o treinamento descentralizado. Os experimentos demonstraram resultados excepcionais em todas as comparações realizadas, evidenciando a eficácia da abordagem híbrida entre Aprendizado Federado e Aprendizado por Transferência na detecção e mitigação de intrusões. A pesquisa contribui significativamente para o avanço das soluções de cibersegurança baseadas em Inteligência Artificial, incentivando novas investigações sobre técnicas de agregação e aprimoramento da arquitetura FTL para ambientes IoT e Edge Computing.