Data instrumentations from network traffic as support for performance and security management in IOT

Abstract

Resumo: A evolução da inteligência computacional e o avanço da próxima geração de tecnologias sem fio têm impulsionado o avanço da Internet das Coisas (IoT). A IoT compreende um ambiente heterogêneo com diferentes dispositivos gerando uma massiva quantidade de dados desestruturados e desorganizados, por exemplo, desde dispositivos vestíveis à sensores de movimento e lâmpadas inteligentes geram tráfego. Entretanto, a natureza de larga escala da IoT e o aumento significativo do tráfego de rede desestruturado introduziu novos problemas de desempenho, segurança e privacidade. De um lado, aplicações inteligentes (ex., aplicações de saúde inteligente) exigem requisitos como alta confiabilidade e baixa latência. Alcançar tais requisitos não é uma tarefa fácil, dado, nos últimos anos, o significativo aumento no tráfego da rede. Por outro lado, dispositivos IoT contêm dados sensíveis dos usuários e dispositivos; abrindo brechas para adversários explorarem o meio sem fio inativo para capturar informações sobre os usuários e suas atividades. Um efetivo gerenciamento de desempenho e segurança de redes depende de uma eficiente instrumentação dos dados para suportar decisões inteligentes baseadas em dados. No entanto, este processo não é simples sem uma organização e instrumentação do tráfego da rede. Desse modo, neste trabalho advocamos na seguinte hipótese: é possível criar uma metodologia de instrumentação dos dados da rede para suportar diferentes propósitos, como atividade de desempenho e segurança da rede. Portanto, esse trabalho investiga os dados do tráfego da rede, os estrutura e organiza para obter informações valiosas, suportar decisões inteligentes e suportar operações de gerenciamento de rede (ex., desempenho e segurança). Esta tese agrega à literatura com as seguintes contribuições: (i) a introdução de uma metodologia eficiente para análise do tráfego da rede IoT como suporte as operações de gerenciamento de rede, chamado FLIPER; (ii) um novo método para identificar aplicações e-Health usando características side-channel (chamado MOTIF); (iii) a introdução de uma arquitetura adaptável aos requisitos das aplicações de saúde inteligente baseado no fatiamento de recursos da rede (chamado PRIMUS) a fim de auxiliar o gerenciamento da rede; (iv) a introdução de um método IoT que revela e mascara características do tráfego da rede (intitulado IoTReGuard), o qual analisa os impactos e destaca os danos de uma instrumentação dos dados da rede da perspectiva de um adversário. A avaliação de desempenho por meio de análises do tráfego da rede e baseado em simulação orientada à traços mostra a viabilidade da instrumentação dos dados e exploração das características como suporte para diferentes atividades de gerenciamento de rede. Uma análise eficiente do tráfego da rede auxilia diversas situações, como tratamentos especiais de acordo com as demandas das aplicações inteligentes, alocação adaptativa dos recursos e o desenvolvimento de mecanismos de defesa. Finalmente, existem oportunidades de pesquisa relacionadas à avaliação das análises de tráfego em cenários experimentais 5G, redução do tempo de classificação, latência, entre outros.

Abstract: environment with different devices generating a massive amount of unstructured and unorganized data, e.g., everything from wearables to motion sensors and light bulbs generates traffic. However, the large-scale nature of IoT and the significant increase in unstructured network traffic have introduced new performance, security, and privacy concerns. On the one hand, smart applications (e.g., smart healthcare) demand restrict requirements, such as high-reliability and low-latency. The achievement of such requirements is not a trivial task since, in the last years, given the significant increase in network traffic. On the other hand, IoT devices contain much sensitive information about users and devices; opening lacks to adversaries to exploit the innate wireless medium to capture sensitive information about the user and his/her activities. Effective network The evolution of computational intelligence and the advances of next-generation wireless technologies have boosted the advance of the Internet of Things (IoT). IoT comprises a heterogeneous performance and security depend on efficient IoT network data instrumentation to support smart data-driven decisions. However, this process is not straightforward without an efficient organization and network traffic instrumentation. Thus, in this work, we advocate on the following thesis: it is possible to create a broader methodology of network data instrumentation to support different purposes, such as network performance and security activities. Hence, this work investigates the network traffic data, structure it, and organize it to obtain valuable information to support data-driven decisions and network management operations (e.g., performance and security). This thesis contributes to the literature as follows: (i) the introduction of an Efficient Methodology for IoT Network Traffic Analysis as Support to Network Management Operations, called FLIPER; (ii) a novel Method to identify e-Health Applications using Side-channel Features (called MOTIF); (iii) the introduction of an Architecture for Adaptable Smart Healthcare Applications Requirements based on Network Resource Slicing (called PRIMUS) to assist network management through network slicing; (iv) the introduction of an IoT Method to Reveal and Guard Network Traffic Features (called IoTReGuard) that analyzes the impacts and highlight the damages of a network data instrumentation from the adversary perspective. Performance evaluation by network traffic analyses and trace base simulations on network traffic features show the viability of data instrumentation and feature exploration as support for different network management activities. An efficient network traffic analysis based on data instrumentation assist several situations, such as special treatments according to smart applications demands, adaptive resource allocation, and tailored development of defense mechanisms. Finally, there are research opportunities on evaluating the analysis in an experimental 5G network scenario, reducing the classification time, reducing latency, among others.