Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN

Detalhes bibliográficos
Autor(a) principal: Silva, Diego Macedo da
Data de Publicação: 2015
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/126046
Resumo: Sistemas de classificação de tráfegos em redes têm sido cada vez mais utilizados, em especial de forma a garantir a disponibilidade e resiliência das mesmas. Com o uso de aprendizagem de máquina (ML) as classificações tem se tornado mais precisas, e sendo capazes de detectar diferentes tipos de ataques e anomalias que possam impactar a sua estabilidade. A coleta e análise das informações trafegadas pode ser muito custosa e de difícil implementação. Com o uso de redes definidas por software (SDN) sendo bastante discutido e popularizado, em especial no meio científico e acadêmico, exploraremos as facilidades proporcionadas pela adoção desse tipo de rede para a coleta das informações necessárias para a classificação dos fluxos de tráfego. Mais especificamente obtidas com a centralização da camada de controle da rede. Esse trabalho consiste na aplicação de técnicas de aprendizagem de máquina para a classificação de fluxos trafegados nessas redes objetivando a detecção de ataques e anomalias. Realizamos também um estudo comparativo do desempenho obtido pelos algoritmos utilizados (Expectation- Maximization e C4.5).
id UFRGS-2_15dfc54de3dfa066cfdc77a3a9796500
oai_identifier_str oai:www.lume.ufrgs.br:10183/126046
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Silva, Diego Macedo daSchaeffer Filho, Alberto Egon2015-08-29T02:40:03Z2015http://hdl.handle.net/10183/126046000971084Sistemas de classificação de tráfegos em redes têm sido cada vez mais utilizados, em especial de forma a garantir a disponibilidade e resiliência das mesmas. Com o uso de aprendizagem de máquina (ML) as classificações tem se tornado mais precisas, e sendo capazes de detectar diferentes tipos de ataques e anomalias que possam impactar a sua estabilidade. A coleta e análise das informações trafegadas pode ser muito custosa e de difícil implementação. Com o uso de redes definidas por software (SDN) sendo bastante discutido e popularizado, em especial no meio científico e acadêmico, exploraremos as facilidades proporcionadas pela adoção desse tipo de rede para a coleta das informações necessárias para a classificação dos fluxos de tráfego. Mais especificamente obtidas com a centralização da camada de controle da rede. Esse trabalho consiste na aplicação de técnicas de aprendizagem de máquina para a classificação de fluxos trafegados nessas redes objetivando a detecção de ataques e anomalias. Realizamos também um estudo comparativo do desempenho obtido pelos algoritmos utilizados (Expectation- Maximization e C4.5).Network traffic classification systems have been increasingly used to ensure the availability and resilience of computer networks. With the use of machine learning techniques, classification systems have become more accurate and capable of detecting a wide range of attacks and anomalies. The collection and analysis of data flows can be very costly and difficult to implement. The adoption of software-defined networking (SDN) have been widely discussed and popularized, especially in the scientific and academic community, thus we explore the simplicity afforded by the employment of this type of network to collect the necessary information for flows classification. More specifically achieved with its centralized control layer architecture. This work makes use of machine learning techniques for traffic flow classification in these networks aiming to detect attacks and anomalies. Furthermore, we conduct a comparative study on the performance obtained by the Expectation-Maximization and C4.5 algorithms.application/pdfporAprendizagem : MaquinaComunicacao : DadosSoftware defined networkingMachine learningAnomaly detectionTraffic flow analysisAvaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDNEvaluating machine learning algorithms for traffic classification on sdn networks info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2015Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000971084.pdf000971084.pdfTexto completoapplication/pdf1772123http://www.lume.ufrgs.br/bitstream/10183/126046/1/000971084.pdf13c6559e38ff83a369d380660c1fbfddMD51TEXT000971084.pdf.txt000971084.pdf.txtExtracted Texttext/plain89941http://www.lume.ufrgs.br/bitstream/10183/126046/2/000971084.pdf.txt07481a04ea88138a439e0184e5eb0983MD52THUMBNAIL000971084.pdf.jpg000971084.pdf.jpgGenerated Thumbnailimage/jpeg1117http://www.lume.ufrgs.br/bitstream/10183/126046/3/000971084.pdf.jpg602f1d69a108f9b7a0b9b9460fe488e0MD5310183/1260462021-05-26 04:29:49.260474oai:www.lume.ufrgs.br:10183/126046Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2021-05-26T07:29:49Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
dc.title.alternative.en.fl_str_mv Evaluating machine learning algorithms for traffic classification on sdn networks
title Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
spellingShingle Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
Silva, Diego Macedo da
Aprendizagem : Maquina
Comunicacao : Dados
Software defined networking
Machine learning
Anomaly detection
Traffic flow analysis
title_short Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
title_full Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
title_fullStr Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
title_full_unstemmed Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
title_sort Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN
author Silva, Diego Macedo da
author_facet Silva, Diego Macedo da
author_role author
dc.contributor.author.fl_str_mv Silva, Diego Macedo da
dc.contributor.advisor1.fl_str_mv Schaeffer Filho, Alberto Egon
contributor_str_mv Schaeffer Filho, Alberto Egon
dc.subject.por.fl_str_mv Aprendizagem : Maquina
Comunicacao : Dados
topic Aprendizagem : Maquina
Comunicacao : Dados
Software defined networking
Machine learning
Anomaly detection
Traffic flow analysis
dc.subject.eng.fl_str_mv Software defined networking
Machine learning
Anomaly detection
Traffic flow analysis
description Sistemas de classificação de tráfegos em redes têm sido cada vez mais utilizados, em especial de forma a garantir a disponibilidade e resiliência das mesmas. Com o uso de aprendizagem de máquina (ML) as classificações tem se tornado mais precisas, e sendo capazes de detectar diferentes tipos de ataques e anomalias que possam impactar a sua estabilidade. A coleta e análise das informações trafegadas pode ser muito custosa e de difícil implementação. Com o uso de redes definidas por software (SDN) sendo bastante discutido e popularizado, em especial no meio científico e acadêmico, exploraremos as facilidades proporcionadas pela adoção desse tipo de rede para a coleta das informações necessárias para a classificação dos fluxos de tráfego. Mais especificamente obtidas com a centralização da camada de controle da rede. Esse trabalho consiste na aplicação de técnicas de aprendizagem de máquina para a classificação de fluxos trafegados nessas redes objetivando a detecção de ataques e anomalias. Realizamos também um estudo comparativo do desempenho obtido pelos algoritmos utilizados (Expectation- Maximization e C4.5).
publishDate 2015
dc.date.accessioned.fl_str_mv 2015-08-29T02:40:03Z
dc.date.issued.fl_str_mv 2015
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/126046
dc.identifier.nrb.pt_BR.fl_str_mv 000971084
url http://hdl.handle.net/10183/126046
identifier_str_mv 000971084
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/126046/1/000971084.pdf
http://www.lume.ufrgs.br/bitstream/10183/126046/2/000971084.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/126046/3/000971084.pdf.jpg
bitstream.checksum.fl_str_mv 13c6559e38ff83a369d380660c1fbfdd
07481a04ea88138a439e0184e5eb0983
602f1d69a108f9b7a0b9b9460fe488e0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1815447151717646336

Registros relacionados