Publicação: Arquitetura reconfigurável (FPGA) baseada em modelo de Machine Learning para detecção de Ransomware em ambientes pervasivos
Carregando...
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O crescente número de ataques de ransomware tem colocado em risco a segurança de
dados e a disponibilidade de serviços em todo o mundo, com impacto financeiro estimado
em bilhões de dólares anualmente. As abordagens tradicionais de detecção, baseadas em
assinaturas, têm dificuldade em identificar novas variantes devido ao uso de ofuscação e
polimorfismo, o que limita sua eficácia contra ataques de dia zero. Ao mesmo tempo, as
arquiteturas de processadores de propósito geral carecem da flexibilidade de reconfigu
ração em nível de hardware necessária para o processamento adaptativo de modelos de
Aprendizado de Máquina (AM) em ambientes de computação pervasiva, caracterizados
por dispositivos com recursos de processamento, memória e energia limitados. Este traba
lho propõe uma arquitetura de detecção de ransomware baseada em Field-Programmable
Gate Array (FPGA), que combina técnicas de Aprendizado de Máquina com a imple
mentação de um classificador em lógica combinacional, priorizando inferência determi
nística de baixa latência para dispositivos com recursos restritos. O método proposto
compreende o treinamento e a comparação de cinco modelos supervisionados (Árvore de
Decisão, Random Forest, eXtreme Gradient Boosting (XGBoost), Rede Neural e Support
Vector Machine (SVM) sobre o dataset CIC-MalMem-2022, utilizando validação hold-out
80/20 combinada com validação cruzada de 5 folds, seguidos de análise de explicabilidade
via SHapley Additive exPlanations (SHAP) para identificar o consenso entre os modelos
quanto às características mais relevantes para a detecção. O modelo com melhor relação
entre desempenho preditivo e simplicidade estrutural é então traduzido para uma descri
ção em VHSIC Hardware Description Language(VHDL), na qual os limiares de decisão
aprendidos são incorporados como constantes de comparadores em ponto fixo, permi
tindo a síntese de um classificador de ciclo único em FPGA. Espera-se, com este trabalho,
contribuir para o estado da arte em detecção de ransomware ao propor um modelo de
hardware leve e de baixa latência, alternativo às arquiteturas de alto desempenho volta
das a ambientes de data center predominantes na literatura, e adequado à realidade de
dispositivos embarcados e pervasivos com recursos computacionais restritos.
Abstract
The growing number of ransomware attacks has put data security and service availabi
lity at risk worldwide, causing an estimated financial impact of billions of dollars annually.
Traditional signature-based detection approaches struggle to identify new variants due to
obfuscation and polymorphism, limiting their effectiveness against zero-day attacks. At
the same time, general-purpose processor architectures lack the hardware-level reconfi
guration flexibility required for adaptive processing of Machine Learning (ML) models
in pervasive computing environments, which are characterized by devices with limited
processing, memory, and energy resources. This work proposes a ransomware detection
architecture based on Field-Programmable Gate Array (FPGA) that combines Machine
Learning techniques with the implementation of a classifier as combinational logic, priori
tizing deterministic, low-latency inference for resource-constrained devices. The proposed
method comprises training and comparing five supervised models (Decision Tree, Random
Forest, eXtreme Gradient Boosting (XGBoost), Neural Network and Support Vector Ma
chine (SVM)) on the CIC-MalMem-2022 dataset, using an 80/20 hold-out split combined
with 5-fold cross-validation, followed by an explainability analysis using SHAP (SHa
pley Additive exPlanations) to identify the consensus among models regarding the most
relevant features for detection. The model that best balances predictive performance
and structural simplicity will then be translated into a VHSIC Hardware Description
Language (VHDL) description, in which the learned decision thresholds are embedded
as constants in fixed-point comparators, enabling the synthesis of a single-cycle FPGA
classifier. This work is expected to contribute to the state of the art in ransomware de
tection by proposing a lightweight, low-latency hardware model suitable for embedded
and pervasive devices with constrained computational resources, as an alternative to the
high-performance, data-center-oriented architectures that predominate in the literature.
Palavras-chave
Ransomware, Aprendizado de máquina, FPGA, Computação pervasiva
Citação
CRUVINEL, Camilly de Melo. Arquitetura reconfigurável (FPGA) baseada em modelo de Machine Learning para detecção de Ransomware em ambientes pervasivos. 2026. 67 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2026.
DOI
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto