Classificação de tráfego de rede utilizando técnicas de meta learning
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFRGS-2_e1c8b0890b0ef20fd7d2582819e8f85a |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/175127 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Possebon, Isadora PedriniSchaeffer Filho, Alberto EgonSilva, Anderson Santos da2018-04-26T02:34:08Z2018http://hdl.handle.net/10183/175127001065157Classificação 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.Network traffic classification has attracted attention and research efforts because a large number of areas benefit from such studies - from network security and management, quality of service (QoS), network traffic collection systems to intrusion detection (IDS). Inspired by previous research, this work presents a comparative analysis between metalearning approaches and individual classifiers to classify network traffic data. The most common techniques found in the literature are available from the scikit-learn library, for Python. In addition, an extra technique was implemented (Stacking), due to good results of this method disclosed in the literature. With this in mind, we propose an experimental analysis of different meta-learning techniques - also known as ensemble learners - in comparison with their own base classifiers when used individually. To this end, we also propose a system architecture. The experiments were performed with two distinct data sets: artificially generated data and real data, publicly available.application/pdfporInformatica : TransportesMeta-learningNetwork trafficClassificationStackingScikit-learnEnsemble learnersClassificação de tráfego de rede utilizando técnicas de meta learningNetwork traffic classification using meta-learning techniques info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2018Ciência 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:UFRGSORIGINAL001065157.pdf001065157.pdfTexto completoapplication/pdf1090073http://www.lume.ufrgs.br/bitstream/10183/175127/1/001065157.pdfb7d779ea706d8bf2ff8885f72dab678dMD51TEXT001065157.pdf.txt001065157.pdf.txtExtracted Texttext/plain114006http://www.lume.ufrgs.br/bitstream/10183/175127/2/001065157.pdf.txtc0f9b56e61a5a2bbd18c73a47c052d28MD52THUMBNAIL001065157.pdf.jpg001065157.pdf.jpgGenerated Thumbnailimage/jpeg1066http://www.lume.ufrgs.br/bitstream/10183/175127/3/001065157.pdf.jpg24e24774a5ed432851a1d1396bb02111MD5310183/1751272019-11-03 03:52:14.255338oai:www.lume.ufrgs.br:10183/175127Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2019-11-03T05:52:14Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Classificação de tráfego de rede utilizando técnicas de meta learning |
dc.title.alternative.en.fl_str_mv |
Network traffic classification using meta-learning techniques |
title |
Classificação de tráfego de rede utilizando técnicas de meta learning |
spellingShingle |
Classificação de tráfego de rede utilizando técnicas de meta learning Possebon, Isadora Pedrini Informatica : Transportes Meta-learning Network traffic Classification Stacking Scikit-learn Ensemble learners |
title_short |
Classificação de tráfego de rede utilizando técnicas de meta learning |
title_full |
Classificação de tráfego de rede utilizando técnicas de meta learning |
title_fullStr |
Classificação de tráfego de rede utilizando técnicas de meta learning |
title_full_unstemmed |
Classificação de tráfego de rede utilizando técnicas de meta learning |
title_sort |
Classificação de tráfego de rede utilizando técnicas de meta learning |
author |
Possebon, Isadora Pedrini |
author_facet |
Possebon, Isadora Pedrini |
author_role |
author |
dc.contributor.author.fl_str_mv |
Possebon, Isadora Pedrini |
dc.contributor.advisor1.fl_str_mv |
Schaeffer Filho, Alberto Egon |
dc.contributor.advisor-co1.fl_str_mv |
Silva, Anderson Santos da |
contributor_str_mv |
Schaeffer Filho, Alberto Egon Silva, Anderson Santos da |
dc.subject.por.fl_str_mv |
Informatica : Transportes |
topic |
Informatica : Transportes Meta-learning Network traffic Classification Stacking Scikit-learn Ensemble learners |
dc.subject.eng.fl_str_mv |
Meta-learning Network traffic Classification Stacking Scikit-learn Ensemble learners |
description |
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. |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-04-26T02:34:08Z |
dc.date.issued.fl_str_mv |
2018 |
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/10183/175127 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001065157 |
url |
http://hdl.handle.net/10183/175127 |
identifier_str_mv |
001065157 |
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/10183/175127/1/001065157.pdf http://www.lume.ufrgs.br/bitstream/10183/175127/2/001065157.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/175127/3/001065157.pdf.jpg |
bitstream.checksum.fl_str_mv |
b7d779ea706d8bf2ff8885f72dab678d c0f9b56e61a5a2bbd18c73a47c052d28 24e24774a5ed432851a1d1396bb02111 |
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_ |
1798486891161452544 |