Faraonic: um framework híbrido para detecção de anomalias em tempo real em redes OT com MODBUSTCP

Página do item simplificado
dc.contributor.advisorBhering, Fabiano Pereira
dc.contributor.advisor-coQuincozes, Silvio Ereno
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/9401130360785458
dc.contributor.advisorLatteshttp://lattes.cnpq.br/6310147796607948
dc.contributor.authorFabres, Fábio Araújo
dc.contributor.authorLatteshttp://lattes.cnpq.br/5283306626155510
dc.contributor.refereeBhering, Fabiano Pereira
dc.contributor.refereeQuincozes, Silvio Ereno
dc.contributor.refereeCosta, Gabriela Castro Barbosa
dc.contributor.refereeKreutz, Diego Luis
dc.date.accessioned2026-03-31T20:02:44Z
dc.date.available2026-03-31T20:02:44Z
dc.date.issued2025-12-11
dc.description.abstractO crescimento da conectividade entre redes de Tecnologia da Informação (IT) e de Tecnologia Operacional (OT) ampliou a superfície de ataque de infraestruturas industriais, especialmente em protocolos como Modbus/TCP, que carecem de autenticação e criptografia. Para enfrentar esse cenário, este trabalho apresenta o FARAONIC (Framework for Anomaly Recognition and Analysis in Operational Networks for Industrial Cybersecurity), uma abordagem híbrida de detecção que integra inspeção profunda de pacotes (DPI) e aprendizado de máquina supervisionado para identificar anomalias e intrusões em tempo real sem comprometer a disponibilidade operacional. O objetivo central é detectar comportamentos maliciosos em redes OT baseadas em Modbus/TCP por meio de análise determinística e comportamental combinadas. A metodologia envolveu a construção de um ambiente experimental virtualizado e a geração de um dataset rotulado contendo mais de 1,5 milhão de pacotes distribuídos em seis diferentes tipos de ataques. O módulo de DPI apresentou desempenho elevado em ataques com assinatura clara, enquanto o módulo de aprendizado de máquina alcançou acurácia superior a 99%, destacando-se especialmente na detecção de ataques de mascaramento. Os resultados demonstram que a integração entre DPI e aprendizado de máquina forma uma estratégia eficaz, complementar e interpretável para a segurança de redes OT, capaz de operar em tempo real e de cobrir diferentes perfis de ataque. O estudo contribui para o avanço da segurança cibernética industrial ao disponibilizar um framework replicável, uma metodologia de detecção interpretável e um novo dataset rotulado de tráfego Modbus/TCP, ampliando as possibilidades de pesquisa e aplicação prática em detecção e resposta a incidentes em ambientes industriais.
dc.description.abstractotherThe increasing interconnection between Information Technology (IT) and Operational Technology (OT) networks has expanded the attack surface of industrial infrastructures, especially in protocols such as Modbus/TCP, which lack authentication and encryption mechanisms. To address this scenario, this work presents FARAONIC (Framework for Anomaly Recognition and Analysis in Operational Networks for Industrial Cybersecurity), a hybrid detection approach that integrates Deep Packet Inspection (DPI) and supervised Machine Learning to identify anomalies and intrusions in real time without compromising operational availability. The main objective is to detect malicious behaviors in OT networks based on Modbus/TCP through combined deterministic and behavioral analyses. The methodology involved the construction of a virtualized experimental environment and the generation of a labeled dataset containing more than 1.5 million packets distributed among six different types of attacks. The DPI module achieved high performance in attacks with clear signatures, while the Machine Learning module reached accuracy above 99%, excelling particularly in the detection of masquerade attacks. The results demonstrate that the integration of DPI and Machine Learning forms an effective, complementary, and interpretable strategy for OT network security, capable of operating in real time and covering multiple attack profiles. This study contributes to the advancement of industrial cybersecurity by providing a replicable framework, an interpretable detection methodology, and a new labeled Modbus/TCP traffic dataset, expanding research and practical applications in intrusion detection and incident response within industrial environments.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/2572
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.departmentPrograma de Pós-Graduação em Automação e Sistemas
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Automação e Sistemas
dc.subjectAprendizado computacional
dc.subjectCibernética
dc.subjectEquipamentos de segurança para computadores - Indústria
dc.subjectRede de computadores
dc.titleFaraonic: um framework híbrido para detecção de anomalias em tempo real em redes OT com MODBUSTCP
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Faraonic um framework híbrido para detecção de anomalias em tempo real em redes OT com MODBUSTCP.pdf
Tamanho:
3.66 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Mestrado Profissional em Automação e Sistemas