DETECÇÃO DE ANOMALIAS EM REDES INDUSTRIAIS COM ALGORITMOS DE APRENDIZADO DE MÁQUINA

Resumo

A crescente integração de sistemas na Indústria 4.0 ampliou a vulnerabilidade de redes industriais a ciberataques, tornando as abordagens de segurança tradicionais insuficientes. O objetivo deste trabalho é avaliar e comparar a eficácia de algoritmos de Aprendizado de Máquina e Aprendizado Profundo na detecção de anomalias em tráfego de redes industriais, especificamente no protocolo Modbus, para antecipar e mitigar ameaças. A metodologia adotada inclui o pré-processamento de um conjunto de dados específico, seguido pela implementação, treinamento e validação de quatro modelos: Support Vector Machine, K-Nearest Neighbors, Long Short-Term Memory e Redes Neurais Convolucionais. Como resultado, espera-se obter uma análise comparativa do desempenho dos algoritmos, identificando a abordagem mais eficiente para o cenário proposto. A pesquisa busca contribuir com uma solução de segurança mais robusta e adaptativa para os desafios cibernéticos do ambiente industrial, reduzindo os impactos operacionais decorrentes de ataques.