Document details

Este trabalho propõe um sistema detecção de intrusos para Redes de Sensores Sem Fio (RSSF) baseado nas informações disponíveis na estação base. RSSF são redes ad hoc compostas por diversos nós sensores com recursos limitados, podendo ser usadas para monitorar áreas de interesse. Sua aplicação varia desde reconhecimento de campos de batalha até proteção ambiental. Em algumas dessas aplicações a rede certamente será atacada, e um sistema de detecção de intrusos precisará ser implantado para detectar a presença de intrusos. Dadas suas características específicas, as RSSF precisam de um sistema de detecção de intrusos próprio. Entretanto, seu projeto e implementação são desafiadores devido às restrições de recursos. O sistema proposto não requer alterações na rede que será analisada. Propomos um modelo de informação para detecção de intrusão condizente com as RSSF e uma arquitetura extensível, que pode ser adaptada para diferentes modelos de comportamento e diferentes estratégias de detecção. Nos experimentos realizados, a taxa de detecção ficou acima de 80% e a quantidade de falsos positivos ficou em 405 para 4000 eventos analisados.

This work proposes an Intrusion Detection System for Wireless sensor networks (WSNs) using the information available in the base station. WSNs are ad hoc networks comprised mainly of small sensor nodes with limited resources, and can be used for monitoring areas of interest. Applications range from battlefield reconnaissance to environmental protection. In some of these applications the network will certainly be attacked, and an intrusion detection system needs to be in place to detect the presence of intruders. Given their distinguishing characteristics, WSNs require tailored intrusion detection systems. However, their design and implementation are challenging because of the resource constraints. The proposed system does not require changed in the analyzed network. We propose an information model for intrusion detection in the RSSF and an extensible arquitecture, which can be adapted for different comportment models and different detection strategies. The experiments show that the detection rate was above 80% and the number of false positives were 405 in 4000 analyzed events.