The Internet of Things (IoT) has revolutionized various industries by enabling the interconnection and communication of countless devices. However, this proliferation of interconnected devices raises concerns about data security and privacy. Anomaly detection plays a crucial role in mitigating potential security risks in IoT systems. Building upon the foundational research paper, entitled ''An enhanced behavioral fingerprinting approach for the Internet of Things'', this thesis explores the application of machine learning techniques, specifically simple Gated Recurrent Units (GRUs), and innovatively introduces horizontal and vertical federated learning for anomaly detection in IoT data exchanges. The research begins with a review and further refinement of the basic GRU model outlined in the above mentioned paper to capture temporal patterns in time series data. The model's performance is refined, leading to improved accuracy in anomaly detection. Subsequently, the study delves into the novel realm of federated learning, leveraging horizontal and vertical approaches to train models on distributed IoT datasets without compromising data privacy. The evaluation of these federated learning methods provides insights into their effectiveness and limitations for anomaly detection in IoT scenarios. The findings of this research demonstrate the potential of simple GRUs, as already highlighted, and the innovative use of horizontal federated learning in identifying anomalies in IoT data exchanges. The basic GRU model achieves accurate predictions by capturing temporal patterns, while horizontal federated learning showcases collaborative learning capabilities with satisfactory performance. However, vertical federated learning, a relatively unexplored technique, encounters challenges and requires further refinement to achieve optimal performance. Overall, this thesis contributes to the understanding of IoT security and provides a pathway for the development of more secure, efficient, and resilient IoT systems. The insights gained from this research have implications for practitioners and researchers in the field of IoT security and anomaly detection. By leveraging the potential of machine learning techniques and the innovative use of federated learning, the findings pave the way for enhanced data privacy, improved anomaly detection capabilities, and ultimately, the realization of trustworthy IoT systems.
L'Internet of Things (IoT) ha rivoluzionato varie industrie consentendo l'interconnessione e la comunicazione di innumerevoli dispositivi. Tuttavia, questa proliferazione di dispositivi interconnessi solleva preoccupazioni riguardo la sicurezza e la privacy dei dati. Il rilevamento delle anomalie svolge un ruolo cruciale nel mitigare i potenziali rischi di sicurezza nei sistemi IoT. Basandosi sul fondamentale articolo di ricerca intitolato ''An enhanced behavioral fingerprinting approach for the Internet of Things'', questa tesi esplora l'applicazione di tecniche di apprendimento automatico, in particolare semplici Gated Recurrent Units (GRU), e introduce in modo innovativo l'apprendimento federato orizzontale e verticale per il rilevamento delle anomalie negli scambi di dati IoT. La ricerca inizia con una revisione e un ulteriore perfezionamento del modello GRU di base delineato nel documento sopra menzionato per catturare modelli temporali nei dati di serie temporali. Le prestazioni del modello sono raffinate, portando a una maggiore accuratezza nel rilevamento delle anomalie. Successivamente, lo studio si addentra nel nuovo campo dell'apprendimento federato, sfruttando approcci orizzontali e verticali per addestrare modelli su set di dati IoT distribuiti senza compromettere la privacy dei dati. La valutazione di questi metodi di apprendimento federato fornisce intuizioni sulla loro efficacia e limitazioni per il rilevamento delle anomalie negli scenari IoT. I risultati di questa ricerca dimostrano il potenziale delle semplici GRU, come già evidenziato, e l'uso innovativo dell'apprendimento federato orizzontale nel rilevamento delle anomalie negli scambi di dati IoT. Il modello GRU di base raggiunge previsioni accurate catturando modelli temporali, mentre l'apprendimento federato orizzontale mostra capacità di apprendimento collaborativo con prestazioni soddisfacenti. Tuttavia, l'apprendimento federato verticale, una tecnica relativamente inesplorata, incontra sfide e richiede ulteriori perfezionamenti per raggiungere prestazioni ottimali. Nel complesso, questa tesi contribuisce alla comprensione della sicurezza IoT e fornisce un percorso per lo sviluppo di sistemi IoT più sicuri, efficienti e resilienti. Le intuizioni ottenute da questa ricerca hanno implicazioni per i professionisti e i ricercatori nel campo della sicurezza IoT e del rilevamento delle anomalie. Sfruttando il potenziale delle tecniche di apprendimento automatico e l'uso innovativo dell'apprendimento federato, i risultati aprono la strada a una maggiore privacy dei dati, migliori capacità di rilevamento delle anomalie e, in definitiva, alla realizzazione di sistemi IoT affidabili.
Fingerprinting Comportamentale nell'IoT: Un'Indagine sulle Strategie di Federated Learning sia Orizzontale che Verticale per la Rilevazione di Anomalie e l'Identificazione di Minacce
DEL COL, JACOPO EDOARDO
2022/2023
Abstract
The Internet of Things (IoT) has revolutionized various industries by enabling the interconnection and communication of countless devices. However, this proliferation of interconnected devices raises concerns about data security and privacy. Anomaly detection plays a crucial role in mitigating potential security risks in IoT systems. Building upon the foundational research paper, entitled ''An enhanced behavioral fingerprinting approach for the Internet of Things'', this thesis explores the application of machine learning techniques, specifically simple Gated Recurrent Units (GRUs), and innovatively introduces horizontal and vertical federated learning for anomaly detection in IoT data exchanges. The research begins with a review and further refinement of the basic GRU model outlined in the above mentioned paper to capture temporal patterns in time series data. The model's performance is refined, leading to improved accuracy in anomaly detection. Subsequently, the study delves into the novel realm of federated learning, leveraging horizontal and vertical approaches to train models on distributed IoT datasets without compromising data privacy. The evaluation of these federated learning methods provides insights into their effectiveness and limitations for anomaly detection in IoT scenarios. The findings of this research demonstrate the potential of simple GRUs, as already highlighted, and the innovative use of horizontal federated learning in identifying anomalies in IoT data exchanges. The basic GRU model achieves accurate predictions by capturing temporal patterns, while horizontal federated learning showcases collaborative learning capabilities with satisfactory performance. However, vertical federated learning, a relatively unexplored technique, encounters challenges and requires further refinement to achieve optimal performance. Overall, this thesis contributes to the understanding of IoT security and provides a pathway for the development of more secure, efficient, and resilient IoT systems. The insights gained from this research have implications for practitioners and researchers in the field of IoT security and anomaly detection. By leveraging the potential of machine learning techniques and the innovative use of federated learning, the findings pave the way for enhanced data privacy, improved anomaly detection capabilities, and ultimately, the realization of trustworthy IoT systems.È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.
https://hdl.handle.net/20.500.14239/16150