This chapter focuses on approaching and contextualizing the security of the fifthgeneration (5G) mobile networks, discussing network anomaly detection techniques through hybrid tools. Classical techniques for prediction, such as time series regression analysis and the Hidden Markov Model, are revisited. New anomaly detection and traffic prediction techniques based on deep learning are presented, such as recurrent neural networks, neural networks with long short-term memory, and convolutional neural networks. Finally, the challenges and new paradigms of the next-generation networks (6G) are presented. We also present a case study with a practical exercise to develop an example of anomaly detection and traffic prediction through open source and free tools. ResumoEste capítulo aborda e contextualiza a segurança das redes móveis de quinta geração (5G), discutindo técnicas de predição de tráfego e detecção de anomalias em redes através de ferramentas híbridas. Revisitam-se técnicas clássicas para predição de tráfego, como análise de regressão de séries temporais e Modelo Oculto de Markov. Novas técnicas de detecção de anomalia e predição de tráfego baseadas em aprendizado profundo são apresentadas, tais como redes neurais recorrentes, redes neurais com memória longa de curto prazo e redes neurais convolucionais. Por fim, são apresentados os desafios da próxima geração de rede móveis (6G), novos paradigmas e um estudo de caso com exercício prático de desenvolvimento de um exemplo de detecção de anomalia e predição de tráfego através de ferramentas livres de código aberto.

No abstract

No abstract

O número de dispositivos da (Internet of Things - IoT) cresceu exponencialmente nos últimos anos, resultando em uma grande massa de dados útil para aplicações de aprendizado de máquina. Tradicionalmente, os modelos de aprendizado de máquina exigem coleta e processamento de dados centralizados, o que não é viável no cenário IoT, devido à alta densidade e às crescentes preocupações com a privacidade dos dados. O Aprendizado Federado é uma tendência nesse cenário, pois permite o treinamento colaborativo de modelos em dispositivos IoT, distribuído e sem a necessidade de compartilhamento de dados. Este artigo propõe e avalia o desempenho de um arcabouço de aprendizado federado para dispositivos IoT. O arcabouço proposto e avaliado emprega uma topologia de servidor de parâmetros. A análise de desempenho é executada sobre uma rede de testes composta por dispositivos IoT equipados com processadores ARM e limitados a 2GB de RAM. Os experimentos foram executados sobre um conjunto de dados não identicamente distribuído e com dados dependentes (non-IID). Os resultados mostram que o modelo global federado alcança acurácia 0.6, com quatro clientes e 10 rodadas de agregação, independentemente das épocas de treinamento locais.

A pandemia de COVID-19 impulsionou a mudança no perfil de uso da Internet, o que fomentou o aumento de ataques e novas ameaças a instituições, até então, pouco visadas. Nesse novo cenário, ferramentas de detecção e prevenção de ameaças tendem a ser substituídas por soluções baseadas em aprendizado de máquina, que exigem execução eficiente. Este artigo propõe um método eficiente para a seleção de características para o aprendizado de máquina, utilizando a fronteira de Pareto. A proposta minimiza a correlação de Pearson e a Informação Mútua entre pares de características selecionadas. As características dominantes selecionadas foram aplicadas a três modelos de aprendizado de máquinas para classificação de fluxos maliciosos. O método proposto apresentou eficiência quando comparado a outros métodos, pois permite utilizar menos características para atingir valores similares de acurácia, precisão e revocação, diminuindo o tempo de treinamento e validação.