Detecção Federada de Intrusões em Barramentos CAN para Ambientes Industriais

Descrição

Este projeto propõe investigar e desenvolver estratégias de detecção de intrusão baseadas em Aprendizado Federado para ambientes industriais e sistemas ciberfísicos conectados. A proposta parte do desafio de proteger infraestruturas críticas e ambientes de Internet Industrial das Coisas (IIoT) sem exigir a centralização de dados sensíveis, preservando a privacidade, a propriedade intelectual e a autonomia operacional. Nesse contexto, o Aprendizado Federado será explorado como uma abordagem de inteligência distribuída capaz de permitir a colaboração entre diferentes nós, dispositivos ou domínios de dados, mantendo as informações brutas em seus ambientes de origem. A investigação contempla cenários como barramento CAN, segurança de componentes industriais e monitoramento em borda, mantendo o Aprendizado Federado como eixo de colaboração e preservação de dados. O foco central será avaliar como modelos de aprendizagem de máquina podem apoiar a identificação de anomalias e ataques em ambientes heterogêneos, considerando aspectos de explicabilidade, rastreabilidade e requisitos de segurança associados à família IEC 62443, especialmente a IEC 62443-4-2. Como resultados esperados, pretende-se consolidar diretrizes, modelos conceituais, artefatos experimentais e documentação técnico-científica que contribuam para a formação discente e para o fortalecimento da pesquisa institucional em cibersegurança industrial.