DETECÇÃO DE INTRUSÃO COM ALGORITMOS DE APRENDIZADO DE MÁQUINA DE BAIXO CUSTO COMPUTACIONAL

INTRODUÇÃO: A detecção de intrusão baseada em aprendizado profundo apresenta alta eficácia, mas exige um custo computacional considerável, o que dificulta sua aplicação em dispositivos de borda e infraestruturas IoT com recursos limitados. O processamento desses dados pode causar alta latência e excessivo consumo de energia em hardwares restritos OBJETIVOS: Desenvolver um sistema de detecção de intrusão (NIDS) utilizando algoritmos de aprendizado de máquina otimizados para minimizar o consumo de processamento e memória. A meta é garantir uma detecção precisa e eficiente, executável diretamente em dispositivos restritos, sem comprometer o desempenho da rede. MATERIAIS E MÉTODO: O estudo utilizou três bases de dados de rede (BoT-IoT, UNSW-NB15 e CICIDS2018) para avaliar a generalização em cenários de múltiplos domínios (cross-dataset). O método proposto integra uma rede neural com um mecanismo de “saídas antecipadas”, no qual um ramo leve classifica padrões de tráfego simples e outro, mais profundo, analisa padrões complexos. Também foi incorporada uma estratégia de classificação com opção de rejeição, que utiliza limiares de confiança para descartar eventos ambíguos. RESULTADOS: A arquitetura mitigou a degradação de desempenho típica entre conjuntos de dados diferentes, melhorando a pontuação F1-Score em todos os cenários. O mecanismo de saída antecipada reduziu o tempo médio de inferência em 22%. Ao aplicar a estratégia de rejeitar e reter aproximadamente 15% do tráfego incerto para inspeção secundária, o sistema obteve ganhos de até 0,34 no F1 em relação aos modelos convencionais de recursos limitados CONSIDERAÇÕES FINAIS: : A integração do treinamento multidomínio, das saídas antecipadas e da opção de rejeição superou o desafio de implantação em cenários com conjuntos de dados distintos. A abordagem demonstra ser viável e robusta para aliar alta confiabilidade de detecção à eficiência computacional em nós de rede com recursos limitados.

PALAVRAS-CHAVE: NIDS; Early-exits; Generalização; Multidomínio; Aprendizagem de máquina.