Avaliação de Desempenho de Modelos Deep Learning para Deteção de Intrusão em Dispositvos IoT

Com o alto crescimento do número de dispositivos conectados à Internet das Coisas (IoT), a segurança digital tornou-se um dos principais pontos a serem tratados. Muitos desses dispositivos utilizam tecnologias defasadas, as quais criam vulnerabilidades que podem ser exploradas por criminosos. Novas técnicas de segurança surgem através da utilização de modelos de Inteligência Artificial para melhorar antigas implementações, por exemplo, os sistemas de detecção de intrusão baseados em Deep Learning para identificar ataques cibernéticos. No entanto, os trabalhos existentes não avaliam os impactos desses sistemas no desempenho de ambientes com restrições computacionais, tais como os dispositivos de IoT. Assim, este trabalho objetiva avaliar o desempenho de dois modelos de detecção de intrusão baseados em Deep Learning desenvolvidos para ambientes de IoT. Os resultados revelam que diferentes modelos têm diferentes impactos no desempenho dos dispositivos de IoT. Adicionalmente, o modelo que recebe um maior volume de ataques, e possui maior precisão, consome mais recursos, o que pode ser bastante problemático para os ambientes de IoT.