Um estudo de algoritmos de aprendizagem de máquinas para o Smart Defender

• Autor(a) principal: Freitas Junior, Antonio Alcir de
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/48196
• topic: DoS; DDoS; Detecção de ataques; Smart Defender; Aprendizado de Máquina; Random Forest; Logistic Regression; Decision Tree; AdaBoost

Com a expansão da Internet, aliada ao crescente número de dispositivos dispositivos de Internet das coisas (IoT) os ataques de negação de serviços (Denial of Service - DoS), bem como sua variante distribuída (Distributed Denial of Service - DDoS) vem se tornando um problema significativo para a disponibilidade de serviços operando na Internet. Pensando nisto, o pesquisador Francisco Sales de Lima Filho, propôs o sistema Smart Defender, um sistema distribuído, não invasivo (compatível com o cenário atual de rede) e com abordagem colaborativa, para ser executado em todos os níveis de provedores, visando debelar os ataques de DoS/DDoS o mais próximo possível de sua origem. O sistema é composto pelos sub-sistemas de detecção (Smart Detection), proteção (Smart Protectiont) e monitoramento (Smart Monitoring). Este trabalho tem como objetivo analisar o desempenho de algoritmos de aprendizagem máquina que podem compor o núcleo do módulo de detecção. É feito um estudo sobre os algoritmos Random Forest, Decision Tree, Logistic Regression e o AdaBoost bem como teste utilizando a biblioteca do Python Scikit-Learn para identificar o algoritmo de melhor desempenho. A base de dados para utilização nos testes de desempenho foi a base de dados criada por Sales para a pesquisa do Smart Defender. Com os testes realizados, foi verificado o desempenho dos classificadores utilizando as métricas de acurácia e o índice Kappa. Ao fim do estudo, constatou-se que o AdaBoost possui um desempenho um pouco superior que os outros algoritmos.