DEFENDIS se centro en una pregunta operativa muy concreta: como identificar dispositivos IoT de forma fiable, detectar intentos de suplantacion y preservar la privacidad al mismo tiempo. El proyecto se desarrollo con armasuisse entre abril y noviembre de 2023 y planteo la identificacion de dispositivos como un problema simultaneamente de aprendizaje automatico y de seguridad.
Vision general
El marco combina fingerprinting hardware y comportamental con aprendizaje federado descentralizado. En lugar de centralizar trazas sensibles, cada participante aporta actualizaciones locales e informacion contextual que ayuda a separar el comportamiento legitimo de la actividad sospechosa o maliciosa.
Objetivos principales
- Construir huellas fiables para despliegues de crowdsensing e IoT industrial.
- Monitorizar senales contextuales como procesos, temperatura y carga de CPU para adaptar la identificacion a las condiciones de operacion.
- Utilizar aprendizaje federado descentralizado para evitar un cuello de botella central y reducir la superficie de ataque.
- Analizar ataques adversarios que afectan tanto a la generacion de huellas como al entrenamiento distribuido del modelo.
Bloques tecnicos
El proyecto unio varias capas que a menudo se tratan por separado. La identificacion del dispositivo se apoyo en caracteristicas hardware y de ejecucion. El analisis de confianza siguio robustez, privacidad, equidad y responsabilidad durante el entrenamiento. La capa de aprendizaje descentralizado permitio intercambiar huellas y modelos sin introducir un servidor coordinador unico.
Perspectiva de seguridad
Uno de los rasgos diferenciales de DEFENDIS es que no se queda en la precision del modelo. Trata el ciclo de vida completo como parte del modelo de amenaza, desde la generacion de la huella hasta el intercambio de actualizaciones entre pares y la resistencia frente a participantes maliciosos.
Por que importa
DEFENDIS es relevante porque convierte el aprendizaje federado descentralizado en una herramienta practica de ciberseguridad. Muestra que la colaboracion preservando la privacidad puede servir no solo para analitica, sino tambien para defender flotas IoT heterogeneas en entornos donde centralizar las trazas mas sensibles crearia un riesgo adicional.
