Aprendizaje Federado con Agrupación de Modelos para la Detección de Anomalías en Dispositivos IoT Heterogéneos

Hace ya unos anos que varios ataques de denegacion de servicio distribuido realizados por la botnet de Mirai, formada en gran medida por dispositivos IoT, dejaron inaccesibles distintas plataformas de Internet durante un tiempo. Dese entonces, se ha observado una tendencia creciente de ciberataques contra los dispositivos IoT, y la complejidad de estas amenazas tambien está aumentando. Los métodos de aprendizaje automatico están mostrando resultados prometedores para detectar estas amenazas; sin embargo, las arquitecturas basadas en la computación en la nube o el perímetro para el entrenamiento de estos modelos presentan multiples inconvenientes en entornos IoT, como la sobrecarga de la red o el aislamiento de los datos. En este trabajo presentamos una arquitectura de Federated Learning (FL) para el entrenamiento de modelos no supervisados de deteccion de anomalías en redes IoT. La arquitectura incluye un algoritmo de agrupacion de dispositivos integrado en el proceso de FL para abordar los problemas causados por la alta heterogeneidad en estos entornos. Evaluamos la propuesta sobre un banco de pruebas con 360 dispositivos IoT simulados, mostrando la deteccion de varios ataques de denegación de servicio y comunicación mando y control.