💻 computer science

Carbon-Aware Intrusion Detection: A Comparative Study of Supervised and Unsupervised DRL for Sustainable IoT Edge Gateways

Este artigo propõe e avalia dois novos Sistemas de Detecção de Intrusão baseados em Aprendizado por Reforço Profundo, o DeepEdgeIDS e o AutoDRL-IDS, que integram formulações de recompensa multiobjetivo conscientes de carbono para alcançar alta precisão de detecção e eficiência energética na mitigação de ataques DDoS em gateways de borda IoT com recursos limitados.

Autores originais: Saeid Jamshidi, Foutse Khomh, Kawser Wazed Nafi, Amin Nikanjam, Samira Keivanpour, Omar Abdul-Wahab, Martine Bellaiche

Publicado 2026-05-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Saeid Jamshidi, Foutse Khomh, Kawser Wazed Nafi, Amin Nikanjam, Samira Keivanpour, Omar Abdul-Wahab, Martine Bellaiche

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Proteger a "Cidade Inteligente" sem Queimar o Planeta

Imagine a Internet das Coisas (IoT) como uma cidade enorme e movimentada, onde bilhões de dispositivos inteligentes (como termostatos, câmeras e sensores) estão constantemente conversando entre si. Esta cidade tem um guarda de segurança em cada entrada de bairro, chamado de Gateway de Borda.

O artigo aborda dois grandes problemas com esses guardas de segurança:

Eles são muito rígidos: Guardas tradicionais só reconhecem criminosos que já viram antes (como um "Cartaz de Procurado"). Se um criminoso aparecer usando uma nova máscara (um ataque de "dia zero"), o guarda não o identifica.
Eles são muito pesados: Os guardas estão tentando ser tão inteligentes que estão consumindo baterias e criando uma enorme pegada de carbono, o que é prejudicial ao meio ambiente.

Os autores propõem dois novos tipos de "Super Guardas" baseados em Aprendizado por Reforço Profundo (DRL). Pense no DRL como um guarda que não apenas memoriza um livro de regras, mas aprende fazendo e experienciando o mundo, ficando constantemente melhor em identificar problemas.

Os Dois Novos Guardas: DeepEdgeIDS e AutoDRL-IDS

O artigo apresenta duas abordagens diferentes para treinar esses guardas.

1. DeepEdgeIDS: O "Detetive Intuitivo" (Não Supervisionado)

Como funciona: Imagine um detetive que nunca viu um criminoso antes. Em vez de olhar para um "Cartaz de Procurado", este detetive aprende como o tráfego "normal" se parece observando a cidade por um tempo. Ele constrói um modelo mental do que é "normal".
O Truque: Quando algo estranho acontece (como uma súbita inundação de pessoas correndo em uma direção), o detetive não precisa de um rótulo dizendo "Isso é um motim". Ele apenas sabe: "Ei, isso não se encaixa no padrão!" Ele o sinaliza imediatamente.
O Superpoder: Como ele não precisa de uma lista pré-escrita de crimes, ele é incrivelmente bom em pegar ataques totalmente novos e desconhecidos (ameaças de dia zero).
O Custo: Para manter essa agilidade, este detetive está constantemente reavaliando a situação, o que usa um pouco mais de energia e poder de processamento (CPU).

2. AutoDRL-IDS: O "Policial Veterano" (Supervisionado)

Como funciona: Este guarda é treinado em uma vasta biblioteca de casos passados onde o resultado já era conhecido (dados rotulados). Ele é como um policial veterano que estudou milhares de "Cartazes de Procurado" e sabe exatamente como é um assaltante de banco.
O Truque: Ele usa uma ferramenta de memória específica (LSTM) para lembrar a sequência de eventos. Se ele vê um padrão que combina com um crime conhecido, ele age rápido.
O Superpoder: Ele é muito eficiente e estável. Uma vez que conhece as regras, não precisa pensar tanto, então economiza energia e opera mais frio.
A Fraqueza: Se um criminoso usar um método completamente novo que não está em sua biblioteca, ele pode não identificar ou levar mais tempo para descobrir.

O "Twist" Consciente do Carbono: O Sistema de Recompensa Ecológico

Geralmente, os sistemas de segurança só se importam com uma coisa: "Você pegou o bandido?"

Este artigo adiciona uma nova regra ao jogo. Os guardas agora são recompensados não apenas por pegar criminosos, mas por quão eficientemente eles o fazem.

O Placar: Toda vez que o guarda toma uma decisão, ele ganha pontos por pegar a ameaça, mas perde pontos se:
- Demorar muito (Latência).
- Usar muita memória (RAM).
- Queimar muita eletricidade (Energia).
- Criar muita poluição de carbono.

Pense nisso como um videogame onde você ganha uma "Estrela de Ouro" por vencer, mas se usar muitos power-ups, você ganha uma "Estrela de Bronze" em vez disso. O sistema força a IA a encontrar a maneira mais inteligente e verde de parar o ataque.

Os Resultados: Quem Venceu a Corrida?

Os pesquisadores testaram ambos os guardas em uma "cidade" do mundo real (um ambiente de teste físico com roteadores e dispositivos reais) sob ataque.

1. Pegar os Bandidos (Precisão):

O Detetive Intuitivo (DeepEdgeIDS) venceu. Ele pegou 98% dos ataques, incluindo os novos e complicados. Foi mais rápido para reagir porque não precisava verificar uma biblioteca; ele apenas sentiu o "errado" do tráfego.
O Policial Veterano (AutoDRL-IDS) também se saiu bem, pegando 94%, mas foi ligeiramente mais lento para se adaptar às manhas totalmente novas.

2. A Conta de Energia (Sustentabilidade):

O Policial Veterano (AutoDRL-IDS) foi o vencedor aqui. Como confiava em suas regras pré-aprendidas, usou menos eletricidade e produziu menos carbono. Foi a escolha "verde" para ambientes estáveis.
O Detetive Intuitivo (DeepEdgeIDS) usou mais energia. Ele teve que constantemente "pensar" e atualizar seu cérebro em tempo real para permanecer afiado. No entanto, o artigo argumenta que esse excesso de energia vale a pena pela segurança extra que fornece contra ameaças desconhecidas.

3. Velocidade:

DeepEdgeIDS foi mais rápido ao tomar decisões (menor latência) porque não precisava processar longas sequências de histórico para fazer uma chamada. Ele reagiu instantaneamente ao "estranho".

A Conclusão

O artigo conclui que não há um "guarda perfeito" único. Depende do que você precisa:

Se você precisa de segurança máxima contra ameaças desconhecidas e em evolução e pode dispensar um pouco de energia extra, escolha DeepEdgeIDS (O Detetive Intuitivo).
Se você precisa de eficiência máxima e suas ameaças são principalmente conhecidas, escolha AutoDRL-IDS (O Policial Veterano).

Ambos os sistemas provam que podemos construir segurança inteligente para a Internet das Coisas que não é apenas eficaz, mas também se preocupa com o meio ambiente, mantendo o uso de energia e as emissões de carbono sob controle.

Resumo Técnico: Detecção de Intrusão Consciente de Carbono para Gateways de Borda IoT Sustentáveis

Declaração do Problema
A rápida expansão da Internet das Coisas (IoT) intensificou os desafios de cibersegurança, particularmente no que diz respeito a ataques de Negação de Serviço Distribuído (DDoS) na borda da rede. Os Sistemas de Detecção de Intrusão (IDS) tradicionais enfrentam limitações críticas: lutam contra ataques de dia zero devido à dependência de assinaturas estáticas, frequentemente produzem altas taxas de falsos positivos em modelos baseados em anomalias e carecem de adaptabilidade ao tráfego dinâmico. Além disso, as abordagens existentes de Aprendizado por Reforço Profundo (DRL) para IDS frequentemente ignoram fatores de sustentabilidade. Elas não levam em conta a eficiência energética e a pegada de carbono das operações de Aprendizado Profundo, o que é cada vez mais crítico para gateways de borda IoT em grande escala e com recursos limitados. Existe uma lacuna de pesquisa em abordar o duplo desafio de adaptabilidade (detecção de ameaças em evolução) e sustentabilidade (minimização do impacto ambiental) simultaneamente.

Metodologia
O artigo propõe duas novas arquiteturas de IDS baseadas em DRL projetadas para gateways de borda, ambas incorporando uma formulação de recompensa multiobjetivo "consciente de carbono" que otimiza conjuntamente o desempenho de detecção, latência, uso de memória, sobrecarga energética e emissões estimadas de carbono.

DeepEdgeIDS (Híbrido Não Supervisionado AE-DRL):
- Arquitetura: Integra um Autoencoder (AE) para extração de recursos não supervisionada com uma Rede Q Profunda (DQN) para mitigação adaptativa.
- Mecanismo: O AE aprende representações comprimidas de tráfego benigno. Anomalias são detectadas via erro de reconstrução ( $A_s$ ). Este erro, combinado com estatísticas de tráfego (taxa de pacotes, contagens SYN/ACK), forma o vetor de estado para o agente DQN.
- Paradigma de Aprendizado: Opera em um ambiente online sem rótulos. Não requer rótulos de verdade fundamental para aprendizado de política em tempo real.
- Função de Recompensa: Utiliza sinais de feedback disponíveis na implantação, incluindo confiança de anomalia (derivada do erro de reconstrução) e estabilização do tráfego pós-mitigação, em vez de métricas de verdade fundamental como taxa de detecção ou taxa de falsos positivos.
- Base Teórica: Provado para convergir via propriedade de contração de Bellman sob recompensas limitadas. A estabilidade é garantida através de análise de Lyapunov, garantindo estabilidade assintótica sob restrições limitadas de potência e carbono.
AutoDRL-IDS (Modelo Supervisionado LSTM-DRL):
- Arquitetura: Amplia o conceito do DeepEdgeIDS com uma rede de Memória de Curto e Longo Prazo (LSTM) para capturar dependências temporais em padrões de tráfego, acoplada a um agente DQN.
- Mecanismo: Aproveita dados rotulados durante o treinamento supervisionado offline para otimizar políticas de detecção.
- Paradigma de Aprendizado: Faz a ponte entre treinamento supervisionado offline e adaptação de política online.
- Função de Recompensa: Incorpora métricas dependentes de verdade fundamental (Taxa de Detecção e Taxa de Falsos Positivos) durante a fase de treinamento supervisionado, juntamente com penalidades de sustentabilidade (energia, carbono, latência).
- Base Teórica: Formulado como um problema de controle estocástico restrito usando multiplicadores de Lagrange para lidar com restrições de energia e memória. A convergência é provada através das condições Karush-Kuhn-Tucker (KKT) e aproximação estocástica de Robbins-Monro.

Principais Contribuições

Design de Duplo Paradigma: A introdução de duas soluções distintas de IDS baseadas em DRL: um modelo supervisionado LSTM-DRL (AutoDRL-IDS) para precisão em cenários estruturados e um híbrido não supervisionado AE-DRL (DeepEdgeIDS) para detecção de anomalias sem rótulos.
Otimização Consciente de Carbono: A integração explícita de emissões de carbono e consumo de energia como variáveis de feedback contínuas dentro da função de recompensa do DRL, permitindo tomada de decisão consciente de sustentabilidade.
Validação no Mundo Real: Implantação e avaliação de ambos os modelos em gateways de borda físicos (Raspberry Pi 4) durante ataques DDoS ao vivo, fornecendo o primeiro benchmarking consciente de carbono de IDS baseado em DRL na borda.
Rigor Teórico e Estatístico: Prova de convergência para o DeepEdgeIDS via contração de Bellman e análise de estabilidade de Lyapunov, complementada por Análise de Variância (ANOVA) para validar estatisticamente as diferenças de desempenho em múltiplas métricas.

Resultados Experimentais
Os modelos foram avaliados usando o conjunto de dados Bot-IoT e um banco de testes físico envolvendo dispositivos ESP32 e gateways Raspberry Pi 4 sob vários cenários de ataques DDoS, incluindo simulações de dia zero.

Precisão de Detecção: O DeepEdgeIDS alcançou 98,0% de precisão (avaliação offline) e 97,6% de recall, superando o AutoDRL-IDS, que alcançou 94,0% de precisão. O DeepEdgeIDS demonstrou adaptabilidade superior a ataques de dia zero e rajadas de tráfego transitórias.
Tempo de Resposta e Latência: O DeepEdgeIDS exibiu menor latência e tempos de resposta mais rápidos (estabilizando dentro de 0,65s do início do ataque) em comparação com o AutoDRL-IDS. Os resultados da ANOVA confirmaram que o DeepEdgeIDS superou significativamente o AutoDRL-IDS em eficiência de latência ( $p < 0,05$ ).
Eficiência de Recursos:
- Energia e Carbono: O AutoDRL-IDS demonstrou maior eficiência energética e menores emissões de carbono, mantendo um perfil estável adequado para dispositivos com restrições. O DeepEdgeIDS incorreu em maior sobrecarga agregada de CPU, energia e carbono devido à sua adaptação online contínua e extração de recursos.
- CPU e Memória: O AutoDRL-IDS manteve uso de CPU mais baixo (~25% vs. ~35% para o DeepEdgeIDS). As diferenças no uso de memória não foram estatisticamente significativas, com ambos os modelos permanecendo dentro de limites aceitáveis para gateways de borda.
Significância Estatística: Testes de ANOVA confirmaram que a superior probabilidade de detecção e a latência do DeepEdgeIDS foram estatisticamente significativas, enquanto as diferenças no tempo de resposta não o foram. O tamanho do efeito indicou que a arquitetura do modelo foi um fator dominante na eficácia da detecção.

Significado e Alegações
O artigo alega estabelecer um novo benchmark para cibersegurança sustentável, demonstrando que IDS baseados em DRL podem ser otimizados não apenas para precisão, mas também para impacto ambiental. O estudo destaca um compromisso fundamental: o DeepEdgeIDS oferece adaptabilidade superior, resposta mais rápida a ameaças de dia zero e maior precisão de detecção ao custo de maior consumo de energia e carbono. Por outro lado, o AutoDRL-IDS fornece uma solução mais eficiente em termos de energia, estável e previsível, adequada para ambientes com recursos limitados onde dados rotulados estão disponíveis para treinamento.

Os autores afirmam que seu trabalho preenche uma lacuna crítica ao ir além da pura precisão de detecção para incluir a sustentabilidade como um objetivo central de otimização. Eles concluem que essas arquiteturas avançam o desenvolvimento de frameworks de segurança autoadaptativos e sustentáveis para ecossistemas IoT de próxima geração, oferecendo uma base prática para equilibrar precisão, eficiência de recursos e robustez em redes de borda dinâmicas.