LogGuardian: sistema de detecção de intrusões em borda baseado em aprendizado federado para redes heterogêneas

Abstract

O crescimento das infraestruturas de Internet das Coisas (IoT) e Computação de Borda gera um volume massivo de logs, tornando a análise manual inviável. Dispositivos de borda isolados tornam-se altamente vulneráveis a ataques inéditos (Zero-Day) devido à extrema heterogeneidade dos dados, enquanto a centralização de logs compromete a confidencialidade. Este trabalho propôs e validou o framework LogGuardian, uma arquitetura neuro-simbólica baseada em Aprendizado Federado para a detecção contínua de intrusões em redes IoT heterogêneas, sob as diretrizes de Privacy-by-Design. A pesquisa, de natureza experimental e quantitativa, utilizou a base de dados BCCC-IoT-IDS-Zwave-2025. Na borda, implementou-se uma cascata híbrida que combinou um Autoencoder (AE) para filtragem de anomalias e uma Floresta Aleatória (RF) para classificação multiclasse. A orquestração global foi realizada por um Servidor Central através de um mecanismo de Agregação Dupla, FedAvg e Destilação de Conhecimento. Para avaliar o impacto prático do framework, os testes de estresse compararam o cenário sem o uso do framework, com o dispositivo operando em isolamento e o cenário com o uso da orquestração federada ativada. No teste sem o framework, o dispositivo residencial colapsou frente a ataques inéditos de domínio cruzado, registrando taxa de detecção nula (Recall de 0,00). Em contrapartida, no teste com o uso do framework, o mesmo dispositivo beneficiou-se do aprendizado colaborativo (Cross-Learning), saltando para uma acurácia global de 93,29% sob as mesmas condições de estresse, sem gerar falsos alarmes em sua rotina benigna local. O framework LogGuardian provou a viabilidade da Invariância de Borda (EdgeInvariance), garantindo que ameaças severas sejam bloqueadas de forma colaborativa e altamente confidencial sem o tráfego de dados brutos na rede.