Um estudo de caso da inteligência artificial explicável aplicada na detecção de intrusão em redes IoT

Abstract

O crescimento de dispositivos de Internet das Coisas (IoT) desafia a cibersegurança e demanda mecanismos eficazes para detecção de intrusão baseados em modelos de aprendizado de máquina. Diante da importância de explicar decisões automatizadas, surge a pergunta de pesquisa: como a inteligência artificial explicável (XAI) explica intrusões detectadas com aprendizado de máquina? Este trabalho investiga o uso de XAI com Shapley Additive Explanations (SHAP) em três modelos para detecção de intrusão em redes IoT: Random Forest, LightGBM e Multilayer Perceptron (MLP). Utilizando o dataset NSL-KDD, foram geradas explicações globais para identificar os atributos relevantes para as predições. O SHAP permitiu identificar atributos relevantes para as predições, evidenciando maior similaridade entre os modelos Random Forest e LightGBM, enquanto o MLP apresenta menor correlação e se apoia em atributos distintos. A pesquisa reforça a importância da interpretabilidade na detecção de intrusão em redes IoT automatizada com modelos de aprendizado de máquina.