The continuous increase in the popularity of IoT devices can bring significant advantages, whether in automation, efficiency, data collection, etc. However, as a consequence, both the lack of security in these devises and the sensitive information they may store about users make them one of the primary targets for attackers, either to obtain information or to use them maliciously. To detect these attacks, the most popular tool today, Machine Learning, is initially considered. However, since its operation requires data from each device, it can increase network traffic to the point of saturation. Additionally, sending sensitive data over the network can lead to unwanted information leaks. Then, as an alternative, the Federated Learning technique emerged, allowing each device to apply a Machine Learning algorithm locally. This way, devices only send information about the algorithm is learning process instead of raw data. The main objectives of this project focus on preparing datasets extracted from the CICIOT2023 dataset, which includes samples of natural network traffic in an IoT network and a set of samples from 33 different attacks carried out on various IoT devices. These datasets will be used for both Machine Learning and Federated Learning. The project will also focus on analysing the results provided by Machine Learning and Federated Learning algorithms in detecting threads in IoT networks, determining which algorithm achieves better detection, and comparing the accuracy of Machine Learning and Federated Learning.
El continuo aumento de la popularidad de los dispositivos IoT pueden aportar grandes ventajas ya sea en la automatización, en la eficiencia, en la obtención de información, etc. Pero como consecuencia, tanto la falta de seguridad en los dispositivos como la información sensible que puede almacenar de los usuarios, los convierten en uno de los principales objetivos de los atacantes, ya sea para obtener información o para utilizarlos de manera maliciosa. Para poder detectar estos ataques, en un primer momento, se plantea utilizar la herramienta más popular en la actualidad, Machine Learning. Pero como para su funcionamiento se necesita de datos aportados por cada dispositivo, puede llegar a aumentar el tráfico de la red hasta saturarla. Además, de que enviar datos sensibles por la red puede llegar a provocar una fuga de información no deseada. Entonces, como alternativa, apareció la técnica Federated Learning, con las cuales cada dispositivo aplicará un algoritmo de Machine Learning localmente, permitiendo a los dispositivos únicamente enviar información sobre el aprendizaje del algoritmo. Los objetivos principales del proyecto, se centran en la preparación de los datasets, extraídos del dataset CICIOT2023 donde incluyen muestras de tráfico de red normal en una red IoT y un conjunto de muestras de 33 diferentes ataques que se realizaron sobre los distintos dispositivos IoT. Estos datasets, se utilizarán tanto el Machine Learning como Federated Learning. También se centrarán en los resultados que proporcionarán los algoritmos de Machine Learning como los de Federated Learning sobre la detección de amenazas en las redes IoT, determinar qué algoritmo pueda conseguir una mayor detección y hacer una comparación entre las precisiones de Machine Learning y Federated Learning.
