Defesa de Proposta de Tese de Doutorado de Vagner Ereno Quincozes, 05/08/25, 10h, por videoconferência
Link para defesa: https://meet.google.com/uek-htbc-wyg
OX4C: Um Framework Conceitual para Sistemas de Detecção de Intrusões de Próxima Geração
Resumo:
A crescente digitalização das infraestruturas críticas e a expansão da Internet das Coisas (IoT) tornaram ainda mais evidente a necessidade de medidas robustas de cibersegurança. Os Sistemas de Detecção de Intrusão (Intrusion Detection System – IDS) exercem um papel essencial na proteção desses ambientes, porém enfrentam desafios cada vez mais complexos diante do avanço das técnicas empregadas por agentes maliciosos, incluindo o uso de Aprendizado de Máquina (Machine Learning – ML). Para acompanhar essa evolução, os IDSs de Próxima Geração (Next-Generation IDS – NG-IDS) precisam incorporar soluções inteligentes de forma sistemática e eficaz. No entanto, observa-se que muitas abordagens atuais adotam ML de maneira ad-hoc, sem integração estruturada ou mecanismos consistentes de avaliação. Neste contexto, esta proposta de tese propõe o framework OX4C (acrônimo para Optimization, eXplainability, Compliance, Collaboration, Continuous learning e Computacional performance). O OX4C visa preencher essa lacuna por meio de uma estrutura de avaliação abrangente para NG-IDS baseados em ML, permitindo analisar sua maturidade e efetividade, além de orientar o desenvolvimento de IDS mais seguros, resilientes e alinhados com as demandas atuais. Além disso, esta pesquisa propõe contribuições específicas na dimensão de Otimização, com foco em estratégias inteligentes para seleção e enriquecimento de features, visando melhorar tanto o desempenho em termos de detecção quanto a eficiência computacional dos NG-IDS. Tais contribuições são validadas por meio de experimentos que demonstram os benefícios das abordagens propostas em diferentes cenários de aplicação.
Abstract:
The increasing digitalization of critical infrastructures and the rapid expansion of the Internet of Things (IoT) have highlighted the need for robust cybersecurity measures. Intrusion Detection Systems (IDS) play a vital role in protecting these environments but face increasingly complex challenges due to the advancement of malicious techniques, including the use of Machine Learning (ML). To keep pace with this evolution, Next-Generation IDS (NG-IDS) must incorporate intelligent solutions in a systematic and effective manner. However, many current approaches adopt ML in an ad-hoc fashion, lacking structured integration and consistent evaluation mechanisms. In this context, this thesis proposes the OX4C framework (an acronym for Optimization, eXplainability, Compliance, Collaboration, Continuous learning, and Computational performance). OX4C is designed to address this gap through a comprehensive evaluation structure for ML-based NG-IDS, enabling the assessment of their maturity and effectiveness while guiding the development of more secure, resilient systems aligned with contemporary demands. Furthermore, this research presents specific contributions in the Optimization dimension, focusing on intelligent strategies for feature selection and enrichment, aiming to enhance both the accuracy and computational efficiency of NG-IDS. These contributions are validated through experiments that demonstrate the advantages of the proposed approaches across diverse application scenarios.
Banca examinadora:
Prof. Célio Vinicius Neves de Albuquerque, UFF – Presidente
Prof. Antonio Augusto de Aragão Rocha, UFF
Prof. Diego Gimenez Passos, ISEL
Prof. Daniel Mossé, University of Pittsburgh
Prof. Diego Luis Kreutz, UNIPAMPA