Classificação de tráfego de rede utilizando técnicas de meta learning

• Autor(a) principal: Possebon, Isadora Pedrini
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/175127
• topic: Informatica : Transportes; Meta-learning; Network traffic; Classification; Stacking; Scikit-learn; Ensemble learners

Classificação de tráfego de rede tem atraído bastante atenção e esforços de pesquisas, pois uma grande quantidade de áreas é beneficiada por esses estudos - desde segurança e gerenciamento de redes, qualidade de serviço (Quality of Service - QoS), sistemas de cobrança de tráfego de rede até detecção de intrusões (Intrusion Detection Systems - IDS). Inspirado em pesquisas anteriores, este trabalho apresenta uma análise comparativa entre técnicas de meta-learning e classificadores individuais para classificação de tráfego de rede. As técnicas utilizadas foram as mais comumente encontradas na literatura e disponibilizadas pela biblioteca scikit-learn, para a linguagem Python. Além disso, uma técnica adicional foi implementada (Stacking), devido aos bons resultados deste método apresentados na literatura. Com isso em mente, propõe-se uma análise experimental de diferentes técnicas de metalearning - também conhecidas como ensemble learners - em comparação com os seus classificadores base quando aplicados individualmente. Para este fim, propõe-se, ainda, uma arquitetura de sistema. Os experimentos foram realizados com dois conjuntos de dados distintos: dados gerados artificialmente e dados reais, disponibilizados publicamente.