Dissertação orientada por Divanilson Campelo conquista terceiro lugar no CTD no CSBC 2025

A pesquisa parte da necessidade cada vez maior de redes intraveiculares mais rápidas e flexíveis, como as baseadas em Ethernet automotiva, para interconectar os diversos sistemas existentes nos veículos. Essa conectividade ampliada traz novas possibilidades, mas também levanta preocupações com a segurança cibernética nos veículos. Soluções tradicionais de segurança, como criptografia e autenticação, possuem restrições quando consideradas em um ambiente de recursos limitados como o intraveicular. Diante disso, sistemas de detecção de intrusão (intrusion detection systems, IDSs) surgem como uma linha adicional de defesa, sendo ativados quando outros mecanismos de defesa falham. IDSs monitoram dispositivos e redes para identificar intrusões e reportar atividades maliciosas, além de não exigirem mudanças nas mensagens que os dispositivos já trocam.

Técnicas de aprendizado de máquina (machine learning, ML) e aprendizado profundo (deep learning, DL) têm se mostrado eficazes na criação de IDSs, pois conseguem identificar padrões ocultos em dados de alta dimensionalidade, como o tráfego em redes intraveiculares. No entanto, os modelos de DL geralmente exigem maior poder de processamento e espaço de armazenamento, o que dificulta sua aplicação em sistemas com recursos limitados, como os encontrados nos veículos.

Sendo assim, a dissertação propõe dois IDSs baseados em aprendizado profundo, desenvolvidos para detectar ataques cibernéticos em redes Ethernet automotivas com rapidez e precisão, considerando os recursos e requisitos do ambiente intraveicular.

Receber o prêmio é um motivo de grande celebração, já que o CTD do CSBC é um dos concursos mais relevantes e disputados da área. A premiação contempla todas as sub-áreas da Computação!

Acesse a dissertação – https://lnkd.in/deJZqH-7