Detecção de ataques de negação de serviço em inversores fotovoltaicos conectados à internet: uma abordagem por ensemble de aprendizagem de máquina
Carregando...
Arquivos
Data
Autores
Orientador(es)
Coorientador(es)
Cordeiro, Lucas Carvaho
Membros da banca
Trindade, Alessandro Bezerra
Santos, Kenny Vinente dos
Mendonça Neto, Rayol de
Santos, Kenny Vinente dos
Mendonça Neto, Rayol de
Pós-Graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Amazonas
Tipo
Direito de acesso
DOI
Resumo
A aplicação da inteligência artificial na detecção de tráfego de ataques DoS em inversores de sistemas fotovoltaicosongridconectados à internet, numa configuração de minigeração distribuída (75 kW a 5 MW), descreve e delimita o escopo deste trabalho acadêmico, no qual técnicas de Aprendizagem de Máquina (AM) são aplicadas para viabilizar essa detecção. O objetivo desta pesquisa é propor, implementar e avaliar experimentalmente um sistema integrado de detecção de tráfego de ataques DoS em inversores fotovoltaicos conectados à rede elétrica. A solução proposta baseiase na utilização de Inteligência Artificial para monitorar as incidências de ataques cibernéticos e prevenir falhas de segurança em inversores conectados à internet. A metodologia é baseada em umensemblede classificadores (Random Foreste SVM com votação ponderada), treinado e validado sobre um conjunto de dados próprio, obtido por captura de tráfego em ambiente experimental simulado (OpenEMS em Docker, ataques gerados via Scapy), totalizando 43.200 instâncias, particionadas de forma estratificada em treino (70%), validação (15%) e teste (15%). A base pública UNSW-NB15 foi empregada exclusivamente como referência externa para a calibração da importância relativa das features, não compondo as partições de treino, validação ou teste. Os resultados experimentais demonstram que oensemble proposto alcançou, no conjunto de teste completo, acurácia de 97,3%,recallde 98,2% e taxa de falsos positivos (FPR) de 6,9% na detecção de ataques de negação de serviço (DoS) simulados. Na comparação direta com métodos tradicionais sobre o mesmo subconjunto de padrões não observados em treinamento, oensembleatingiu acurácia de 94,1%, superando o Snort (12,5%) e o Zeek (45,2%). O sistema manteve acurácia superior a 97% com até 10% de perda de pacotes erecallde 94,1% em ataques de evasão (quando um atacante tenta disfarçar o tráfego), com latência média de inferência de 12,3 ms e sobrecarga de CPU de apenas 23%, confirmando viabilidade operacional em tempo real. Conclui-se que a abordagem proposta é eficaz e robusta nas condições testadas, decorrentes de tráfego sintético gerado em ambiente virtualizado com rotulagem determinística, representando uma contribuição relevante para a segurança cibernética de infraestruturas de energia renovável e uma base sólida para validação futura em sistemas reais de minigeração distribuída de porte semelhante.
Abstract
The application of artificial intelligence to detect DoS attack traffic in on-grid photovoltaic system inverters connected to the internet, in a distributed mini-generation configuration (75 kW to 5 MW), describes and delimits the scope of this academic work, in which Machine Learning (ML) techniques are applied to enable such detection. The objective of this research is to propose, implement, and experimentally evaluate an integrated system for detecting DoS attack traffic in photovoltaic inverters connected to the electrical grid. The proposed solution is based on the use of Artificial Intelligence to monitor cybersecurity incidents and prevent security failures in internet-connected inverters. The methodology is based on an ensemble of classifiers (Random Forest and SVM with weighted voting), trained and validated on a proprietary dataset obtained through traffic capture in a simulated experimental environment (OpenEMS in Docker, attacks generated via Scapy), totaling 43,200 instances, stratified partitioned into training (70%), validation (15%), and test (15%). The public UNSW-NB15 dataset was used exclusively as an external reference for calibrating the relative importance of features, not comprising the training, validation, or test partitions. The experimental results demonstrate that the proposed ensemble achieved, on the complete test set, an accuracy of 97.3%, recall of 98.2%, and false positive rate (FPR) of 6.9% in detecting simulated denial-of-service (DoS) attacks. In direct comparison with traditional methods on the same subset of patterns not observed during training, the ensemble achieved an accuracy of 94.1%, surpassing Snort (12.5%) and Zeek (45.2%). The system maintained accuracy above 97% with up to 10% packet loss and recall of 94.1% in evasion attacks (when an attacker attempts to disguise traffic), with an average inference latency of 12.3 ms and CPU overhead of only 23%, confirming real-time operational feasibility. It is concluded that the proposed approach is effective and robust under the tested conditions, derived from synthetic traffic generated in a virtualized environment with deterministic labeling, representing a relevant contribution to the cybersecurity of renewable energy infrastructures and a solid foundation for future validation in real distributed mini-generation systems of similar scale.
Descrição
Palavras-chave
Termo controlado
Objetivos de Desenvolvimento Sustentável (ODS)
Citação
SANTOS, Elton John Carvalho dos. Detecção de ataques de negação de serviço em inversores fotovoltaicos conectados à internet: uma abordagem por ensemble de aprendizagem de máquina. 2026. 121 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2026.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto