Permutation Feature Importance em Sistemas de Detecção de Intrusão baseados em Federated Learning para Redes IoT
Aprendizado Federado; Permutation Feature Importance; Internet das Coisas; Detecção de Intrusão; Segurança em Redes.
O avanço contínuo da Internet das Coisas amplia a superfície de ataque cibernético e, ao mesmo tempo, impõe restrições naturais de energia, processamento e largura de banda aos dispositivos de borda, o que desafia a aplicação direta de Sistemas de Detecção de Intrusão tradicionais. Esta pesquisa propõe integrar a métrica Permutation Feature Importance (PFI) ao ciclo de Aprendizado Federado (FL) como estratégia de seleção dinâmica dos parâmetros mais relevantes, buscando reduzir o tráfego de comunicação entre os participantes e preservar a privacidade dos dados. A arquitetura concebida organiza-se em três camadas, dispositivos finais, gateways de borda e servidor de agregação, permitindo a coordenação de modelos locais em um ambiente distribuído e seguro. A metodologia abrange uma revisão sistemática da literatura, o delineamento conceitual da arquitetura, a implementação experimental de um protótipo reprodutível e o planejamento de testes para avaliar consumo de rede, tempo de convergência e desempenho de detecção. Espera-se que o estudo resulte em um artefato aberto que una compressão adaptativa, interpretabilidade e defesa distribuída, contribuindo para o desenvolvimento de IDS leves e transparentes aplicáveis a diferentes cenários de Internet das Coisas.