Data generation and sharing for robust intrusion detection in IoT systems

Viktiga resultat som projektet gav

Projektets mål var att bidra till utvecklingen av ML-baserade intrångsdetekteringssystem för IoT nätverk, med fokus på kunskapsdelning mellan aktörer. Dessa mål är uppfyllda då projektet har levererat ett stort dataset, som är publikt tillgängligt, samt ett flertal vetenskapliga artiklar vilka är publicerade internationellt. Utöver detta så har projektet bidragit till undervisning på Uppsala Universitet genom att säkerställa handledning av 6 studentarbeten (MSc / BSc).

Långsiktiga effekter som förväntas

Projektets långsiktiga mål var att bidra till en förbättrad Svensk position inom området cybersäkerhet. Interaktion med industrin är avgörande i detta sammanhang, och här har projektet initierat ett samarbete med Scaleout Systems AB samt haft diskussioner med Ericsson för att skapa medvetenhet kring arbetet. Vidare så bidrar projektets publikationer till att sätta Sverige på kartan gällande avancerad teknik för ML-baserad intrångsdetektion.

Upplägg och genomförande

Projektet löpte längs två vetenskapliga spår för att utveckla ML-drivna IDS för IoT-system: (1) datagenerering och (2) privat kunskapsdelning. Inom datagenereringsspåret utnyttjade och vidareutvecklade vi avancerade IoT-nätverkssimulatorer där attacker genomfördes och observerades. För det andra spåret studerade vi ML-modellers generaliserbarhet med särskilt fokus på IDS för IoT-system, och utvecklade metoder för kunskapsdelning som visade förbättrade detektionsgrader för attacker.