Quem sou eu?
Doutoranda – Universidade Federal de Minas Gerais
Mestre em Ciência da Computação pela Universidade Federal de Minas Gerais (2021)
Graduada em Ciência de Computação pela Universidade Federal de Alagoas (2018)
Tópicos de interesse: Análise de dados temporais, Padrões ordinais e Deep Learning
Como será a apresentação?
A apresentação se encontra disponível no seguinte link:
Como será a apresentação?
Objetivo 1:
Apresentar conceitos e técnicas para detecção de ataques em sistemas IoT
Objetivo 2:
Apresentar o pacote NATS como a ferramenta de análise
Internet das Coisas (IoT)
Cenários em que a conectividade de rede e a capacidade de computação se estendem a objetos normalmente não considerados computadores, permitindo que esses dispositivos gerem, troquem e consumam dados com o mínimo de intervenção humana.
Análise de Dados Temporais
Séries temporais são conjunto de dados obtidos a partir de um processo observacional ao longo de um determinado período de tempo, não necessariamente dividido em espaços iguais, caracterizados pela dependência serial existente entre as observações.
N-BaIoT Dataset
Framework Kitsune - Modelo de rede usado para capturar o tráfego de pacotes de um determinado dispositivo IoT suspeito.
Todo o tráfego de um determinado dispositivo flui através de um roteador local.
Um agente dentro desse roteador capturará e analisará passivamente os pacotes recebidos para calcular as medidas de tráfego da rede.
Nossa estratégia precisa apenas de dados de uma única medida de tráfego de rede, o número de pacotes de um dispositivo, agregados em uma janela de tempo de \(100\) ms.
N-BaIoT Dataset
Simbolização de Bandt-Pompe
Mapeamento de permutação por índices cronológicos: ocorre pelos índices temporais ordenados de acordo com suas amplitudes.
Abaixo podemos ver o conjunto completo de padrões formado para \(D = 3\):
Simbolização de Bandt-Pompe
Ao usar \(D=5\) e \(\tau=1\):
\(\mathbf X_{3}^{(5,1)}=(4.2, 5.8, 5.2, 5.5, 3.3)\)
\(\mathbf X_{3}^{(5,1)} \to 51342\)
Ao usar \(D=5\) e \(\tau=2\):
\(\mathbf X_{1}^{(5,2)}=(2.8, 4.2, 5.2, 3.3, 2.2)\)
\(\mathbf X_{1}^{(5,2)} \to 51423\)
Simbolização de Bandt-Pompe
A partir do conjunto de padrões ordinais podemos seguir com três tipos de análise:
- Métricas de autocorrelação
- Distribuição marginal
- Abordagem transacional
O que é o NATS?
O NATS surgiu com a necessidade de construir uma ferramenta gráfica/pacote de simples utilização mais completo da literatura.
Abaixo vemos uma tabela resumo com as principais features e funcionalidades utilizados na literatura e presentes em cada pacote R:
O que é o NATS?
Sistema web desenvolvido em R usando o framework Shinny.
Ferramenta gráfica amigável
Recursos rápidos, eficientes e numericamente confiáveis
Apresenta portabilidade para vários sistemas operacionais e arquiteturas de hardware
Use apenas ferramentas FLOSS (Free/Libre Open Source Software).
Pacote NATS
Além da versão web, também construímos um pacote R com algumas rotinas de:
Geração de plots
Cálculo da distribuição de Bandt-Pompe e suas principais variantes
Cálculo de medidas de entropia, divergências e complexidade estatística
Funções de plot dos planos Fisher-Shannon e Entropia-Complexidade
Métricas de autocorrelação
Up-down balance (\(\beta\)) - mede a assimetria, não-Gaussianidade ou irreversibilidade do processo:
Turning rate (\(\alpha\)) - mede a quantidade relativa de máximos e mínimos locais presentes na série.
Histograma de frequências
Podemos calcular uma distribuição de probabilidade a partir da frequência relativa dos símbolos contra os \(D!\) possíveis padrões:
\[p(\widetilde\pi_t^D) = \frac{ \# \left \{\mathbf X_t^{(D,\tau)} \text{ é do tipo } \widetilde\pi_t^D \right\}}{T- (D-1)\tau}\]
onde \(t \in \{1, \dots, T-(D-1)\tau\}\).
Histograma de frequências (prática)
Grafos de transição
O grafo de transição de padrões ordinais \({G} = ({V}, {E})\) representa como se comportam as transições entre dois padrões ordinais consecutivos ao longo de uma sequência.
Nesta nova representação, cada vértice corresponderá a um símbolo e as arestas às transições entre estes: \(V = \{v_{\widetilde\pi_t^D}\}\), e \(E = \{(v_{\widetilde\pi_t^D}, v_{\widetilde\pi_{t+1}^D}): v_{\widetilde\pi_t^D}, v_{\widetilde\pi_{t +1}^D} \in V \}\)
Grafos de transição
Os pesos \(\mathbb W = \{w_{v_{\widetilde{\pi}^D_i}, v_{\widetilde\pi^D_j}}: v_{\widetilde\pi^D_i}, v_{\widetilde \pi^D_j} \in V \}\) atribuídos a cada aresta descreve a probabilidade de existência de transições entre os padrões \((v_{\widetilde\pi^D_i}, v_{\widetilde\pi^D_j})\) ao longo da sequência, ou seja, os pesos são calculados como a frequência relativa de cada transição: \[\begin{equation} w_{v_{\widetilde\pi^D_i}, v_{\widetilde\pi^D_j}} = \frac{|\Pi_{\widetilde\pi^D_i,\widetilde\pi^D_j}|}{T-( D-1)\tau-1}, \end{equation}\] onde \(|\Pi_{\widetilde\pi^D_i,\widetilde\pi^D_j}|\) é o número de transições do padrão \(\widetilde\pi^D_i\) para o padrão \(\widetilde\pi^D_j\).
Grafos de transição
Probabilidade de auto-transição: mensura a probabilidade de ocorrer um loop no grafo, ou seja, dois padrões iguais ocorrerem sequencialmente. Foi mostrado na literatura que esta medida está diretamente relacionada com a correlação temporal das séries temporais.
\[p_{st} = \sum_{i = 1}^{D!} p(\pi_i, \pi_i)\]
Grafos de transição (prática)
Transformação Multiescala (prática)
Processo de transformação de séries temporais para descritores obtidos a partir da transformação multiescala:
Análise de Dados Temporais
Quando pensamos em classificação de dados temporais podemos ter dois diferentes cenários de análise:
1) N:1
Para cada sequência de comprimento \(N\) teremos uma label associada.
2) 1:1
Para cada elemento da série teremos um rótulo associado. 
Isolation forest (intuição)
Isolation forest (intuição)
Evolução temporal dos temas de pesquisa
Heurística de escolha dos hiperparâmetros
A heurística (2015) visa escolher os hiperparâmetros cuja entropia seja a mais diferente possível de uma distribuição uniforme.
Para encontrar os hiperparâmetros apropriados para agrupar um conjunto de séries temporais, calculamos a entropia normalizada média de um conjunto de distribuições.
