Análise e predição de conjunto mínimo de permissões de acesso para computação em nuvem

• Autor(a) principal: Barros, Thaysa Santos Mathias de Medeiros
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/23244
• topic: Aprendizado de máquina; Controle de acesso; Computação em nuvem; Aprendizado de máquina; Controle de acesso; Cloud computing; Machine learning; Access control

A computação em nuvem mudou os paradigmas de como o mundo trata da infraestrutura de centro de dados. Isso ocorreu porque houve uma mudança no modelo tradicional, que é aquele em que os centros de dados são construídos e monitorados pelas próprias empresas, para o modelo da nuvem, que é aquele em que as empresas pagam pelos recursos utilizados e os mesmos são compartilhados, sendo a construção e gerenciamento dos centros de dados responsabilidade do provedor de nuvem. A computação em nuvem garante um modelo de entrega de recursos computacionais que possibilita o crescimento de pequenas, médias e grandes empresas, com o máximo de aproveitamento dos recursos, se for comparado com o modelo tradicional. Porém, esse modelo ainda apresenta o potencial de melhorar em alguns aspectos da segurança. Um deles é a forma como é feito o controle de acesso dos usuários às aplicações. Este trabalho analisa um conjunto de dados reais do registro de permissões realizadas por usuários que utilizam a computação em nuvem. A proposta busca agrupar privilégios semelhantes, comparando diversas técnicas de aprendizado de máquina. Os resultados dos experimentos mostram que os algoritmos supervisionados apresentam uma tendência a formar grupos com um número maior de elementos. Por outro lado, os algoritmos não supervisionados manifestam o comportamento oposto. Os algoritmos supervisionados apresentaram um rendimento semelhante. No entanto, é importante destacar que o algoritmo bayesiano apresenta um melhor rendimento em relação às médias das métricas utilizadas, podendo ser descrito pela medida F de aproximadamente 0.15, acurácia de 0.9 e Davies Boudin de 1.5