Detecção de DDoS por aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Monografias da UnB |
Texto Completo: | https://bdm.unb.br/handle/10483/29831 |
Resumo: | Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021. |
id |
UNB-2_7de6f7ef2c01e92bcdffe66a277e1d1e |
---|---|
oai_identifier_str |
oai:bdm.unb.br:10483/29831 |
network_acronym_str |
UNB-2 |
network_name_str |
Biblioteca Digital de Monografias da UnB |
repository_id_str |
11571 |
spelling |
Ferreira, Matheus SiadeCafé, Daniel ChavesFERREIRA, Matheus Siade. Detecção de DDoS por aprendizado de máquina. 2021. 53 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2021.https://bdm.unb.br/handle/10483/29831Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021.Ataques DDoS são uma ameaça disruptiva ao funcionamento de diversos sistemas online em um mundo progressivamente mais dependente da internet em seu cotidiano. O au mento recente na intensidade e complexidade destes ataques torna o desenvolvimento de melhores práticas de prevenção e mitigação necessário para a manutenção da estabilidade do fornecimento de serviços online. Este trabalho tem como objetivo a análise de métodos de aprendizado de máquina na detecção de fluxos de rede anômalos, utilizando algorit mos como K-nn, SVM, florestas randômicas, árvores de decisão e redes neurais para a classificação de tráfego com base em dois conjuntos de dados distintos, o NSL_KDD e o CiCDDoS 2019. Para a criação dos modelos foram selecionados alguns atributos de cada dataset, com a performance sendo avaliada com base em subdivisões dos dados em conjuntos de treino e teste. Os resultados obtidos chegaram a uma acurácia de até 99.9% na separação dos dados anômalos contidos nos conjuntos, com algoritmos como Florestas Randômicas e Árvores de decisão alcançando os melhores valores. Para trabalhos futuros, um classificador com base em Machine Learning pode ser combinado a um analisador de tráfego em tempo real para a separação de fluxos anômalos.Submitted by Jaedna Lins (jaednalins@bce.unb.br) on 2022-01-14T18:58:33Z No. of bitstreams: 1 2021_MatheusSiadeFerreira_tcc.pdf: 1089696 bytes, checksum: 0722e217fd04bd58362d9b5ec564829c (MD5)Approved for entry into archive by Luanna Maia (luanna@bce.unb.br) on 2022-02-09T13:52:50Z (GMT) No. of bitstreams: 1 2021_MatheusSiadeFerreira_tcc.pdf: 1089696 bytes, checksum: 0722e217fd04bd58362d9b5ec564829c (MD5)Made available in DSpace on 2022-02-09T13:52:50Z (GMT). No. of bitstreams: 1 2021_MatheusSiadeFerreira_tcc.pdf: 1089696 bytes, checksum: 0722e217fd04bd58362d9b5ec564829c (MD5)DDoS attacks are a disruptive threat to the availability of online services in a world ever more dependent on the internet for performing daily tasks. The recent increase in complexity and frequency of these attacks points to the need of better and more reliable prevention and mitigation techniques as to maintain the stability of these services. This work aims to analyze the performance of machine learning techniques for anomaly de tection in DDoS attacks by testing the classification performance of algorithms as K-nn, SVM, Random Forests, Decision Trees and Neural Networks in two separate datasets: NSL_KDD and CiCDDoS 2019. The process of training the ML models consisted of pre-processing, splitting the data in training and test sets, feature selection, training the models, and evaluating their performance as to the tests sets. Results of up to 99.9% accuracy were obtained in the detection of anomalous instances in the datasets in which Random Forests and Decision Trees were the highest rated classifiers. For future works, a machine learning based classifier could be implemented alongside a real-time traffic analyzer for DDoS detection.A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.info:eu-repo/semantics/openAccessAtaques cibernéticosAprendizado de máquinaAprendizado do computadorServidores da WebDetecção de DDoS por aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis2022-02-09T13:52:50Z2022-02-09T13:52:50Z2021-05-26DDoS attacks are a disruptive threat to the availability of online services in a world ever more dependent on the internet for performing daily tasks. The recent increase in complexity and frequency of these attacks points to the need of better and more reliable prevention and mitigation techniques as to maintain the stability of these services. This work aims to analyze the performance of machine learning techniques for anomaly de tection in DDoS attacks by testing the classification performance of algorithms as K-nn, SVM, Random Forests, Decision Trees and Neural Networks in two separate datasets: NSL_KDD and CiCDDoS 2019. The process of training the ML models consisted of pre-processing, splitting the data in training and test sets, feature selection, training the models, and evaluating their performance as to the tests sets. Results of up to 99.9% accuracy were obtained in the detection of anomalous instances in the datasets in which Random Forests and Decision Trees were the highest rated classifiers. For future works, a machine learning based classifier could be implemented alongside a real-time traffic analyzer for DDoS detection.porreponame:Biblioteca Digital de Monografias da UnBinstname:Universidade de Brasília (UnB)instacron:UNBLICENSElicense.txtlicense.txttext/plain1817http://bdm.unb.br/xmlui/bitstream/10483/29831/2/license.txt21554873e56ad8ddc69c092699b98f95MD52ORIGINAL2021_MatheusSiadeFerreira_tcc.pdf2021_MatheusSiadeFerreira_tcc.pdfapplication/pdf1089696http://bdm.unb.br/xmlui/bitstream/10483/29831/1/2021_MatheusSiadeFerreira_tcc.pdf0722e217fd04bd58362d9b5ec564829cMD5110483/298312022-02-09 11:52:50.029oai:bdm.unb.br:10483/29831w4kgbmVjZXNzw6FyaW8gY29uY29yZGFyIGNvbSBhIGxpY2Vuw6dhIGRlIGRpc3RyaWJ1acOnw6NvIG7Do28tZXhjbHVzaXZhLAphbnRlcyBxdWUgbyBkb2N1bWVudG8gcG9zc2EgYXBhcmVjZXIgbmEgQmlibGlvdGVjYSBEaWdpdGFsIGRhIFByb2R1w6fDo28gCkRpc2NlbnRlIGRhIFVuaXZlcnNpZGFkZSBkZSBCcmFzw61saWEuIFBvciBmYXZvciwgbGVpYSBhCmxpY2Vuw6dhIGF0ZW50YW1lbnRlLiBDYXNvIG5lY2Vzc2l0ZSBkZSBhbGd1bSBlc2NsYXJlY2ltZW50byBlbnRyZSBlbQpjb250YXRvIGF0cmF2w6lzIGRlOiBiZG1AYmNlLnVuYi5iciBvdSAzMTA3LTI2ODcuCgpMSUNFTsOHQSBERSBESVNUUklCVUnDh8ODTyBOw4NPLUVYQ0xVU0lWQQoKQW8gYXNzaW5hciBlIGVudHJlZ2FyIGVzdGEgbGljZW7Dp2EsIG8vYSBTci4vU3JhLiAoYXV0b3Igb3UgZGV0ZW50b3IgZG9zCmRpcmVpdG9zIGRlIGF1dG9yKToKCmEpIENvbmNlZGUgw6AgVW5pdmVyc2lkYWRlIGRlIEJyYXPDrWxpYSBvIGRpcmVpdG8gbsOjby1leGNsdXNpdm8gZGUKcmVwcm9kdXppciwgY29udmVydGVyIChjb21vIGRlZmluaWRvIGFiYWl4byksIGNvbXVuaWNhciBlL291CmRpc3RyaWJ1aXIgbyBkb2N1bWVudG8gZW50cmVndWUgKGluY2x1aW5kbyBvIHJlc3Vtby9hYnN0cmFjdCkgZW0KZm9ybWF0byBkaWdpdGFsIG91IGltcHJlc3NvIGUgZW0gcXVhbHF1ZXIgbWVpby4KCmIpIERlY2xhcmEgcXVlIG8gZG9jdW1lbnRvIGVudHJlZ3VlIMOpIHNldSB0cmFiYWxobyBvcmlnaW5hbCwgZSBxdWUKZGV0w6ltIG8gZGlyZWl0byBkZSBjb25jZWRlciBvcyBkaXJlaXRvcyBjb250aWRvcyBuZXN0YSBsaWNlbsOnYS4gRGVjbGFyYQp0YW1iw6ltIHF1ZSBhIGVudHJlZ2EgZG8gZG9jdW1lbnRvIG7Do28gaW5mcmluZ2UsIHRhbnRvIHF1YW50byBsaGUgw6kKcG9zc8OtdmVsIHNhYmVyLCBvcyBkaXJlaXRvcyBkZSBxdWFscXVlciBvdXRyYSBwZXNzb2Egb3UgZW50aWRhZGUuCgpjKSBTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSBjb250w6ltIG1hdGVyaWFsIGRvIHF1YWwgbsOjbyBkZXTDqW0gb3MKZGlyZWl0b3MgZGUgYXV0b3IsIGRlY2xhcmEgcXVlIG9idGV2ZSBhdXRvcml6YcOnw6NvIGRvIGRldGVudG9yIGRvcwpkaXJlaXRvcyBkZSBhdXRvciBwYXJhIGNvbmNlZGVyIMOgIFVuaXZlcnNpZGFkZSBkZSBCcmFzw61saWEgb3MgZGlyZWl0b3MKcmVxdWVyaWRvcyBwb3IgZXN0YSBsaWNlbsOnYSwgZSBxdWUgZXNzZSBtYXRlcmlhbCBjdWpvcyBkaXJlaXRvcyBzw6NvIGRlCnRlcmNlaXJvcyBlc3TDoSBjbGFyYW1lbnRlIGlkZW50aWZpY2FkbyBlIHJlY29uaGVjaWRvIG5vIHRleHRvIG91CmNvbnRlw7pkbyBkbyBkb2N1bWVudG8gZW50cmVndWUuCgpTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSDDqSBiYXNlYWRvIGVtIHRyYWJhbGhvIGZpbmFuY2lhZG8gb3UgYXBvaWFkbwpwb3Igb3V0cmEgaW5zdGl0dWnDp8OjbyBxdWUgbsOjbyBhIFVuaXZlcnNpZGFkZSBkZSBCcmFzw61saWEsIGRlY2xhcmEgcXVlCmN1bXByaXUgcXVhaXNxdWVyIG9icmlnYcOnw7VlcyBleGlnaWRhcyBwZWxvIHJlc3BlY3Rpdm8gY29udHJhdG8gb3UKYWNvcmRvLgoKQSBVbml2ZXJzaWRhZGUgZGUgQnJhc8OtbGlhIGlkZW50aWZpY2Fyw6EgY2xhcmFtZW50ZSBvKHMpIHNldSAocykgbm9tZSAocykKY29tbyBvIChzKSBhdXRvciAoZXMpIG91IGRldGVudG9yIChlcykgZG9zIGRpcmVpdG9zIGRvIGRvY3VtZW50bwplbnRyZWd1ZSwgZSBuw6NvIGZhcsOhIHF1YWxxdWVyIGFsdGVyYcOnw6NvLCBwYXJhIGFsw6ltIGRhcyBwZXJtaXRpZGFzIHBvcgplc3RhIGxpY2Vuw6dhLgo=Biblioteca Digital de Monografiahttps://bdm.unb.br/PUBhttp://bdm.unb.br/oai/requestbdm@bce.unb.br||patricia@bce.unb.bropendoar:115712022-02-09T13:52:50Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)false |
dc.title.pt_BR.fl_str_mv |
Detecção de DDoS por aprendizado de máquina |
title |
Detecção de DDoS por aprendizado de máquina |
spellingShingle |
Detecção de DDoS por aprendizado de máquina Ferreira, Matheus Siade Ataques cibernéticos Aprendizado de máquina Aprendizado do computador Servidores da Web |
title_short |
Detecção de DDoS por aprendizado de máquina |
title_full |
Detecção de DDoS por aprendizado de máquina |
title_fullStr |
Detecção de DDoS por aprendizado de máquina |
title_full_unstemmed |
Detecção de DDoS por aprendizado de máquina |
title_sort |
Detecção de DDoS por aprendizado de máquina |
author |
Ferreira, Matheus Siade |
author_facet |
Ferreira, Matheus Siade |
author_role |
author |
dc.contributor.author.fl_str_mv |
Ferreira, Matheus Siade |
dc.contributor.advisor1.fl_str_mv |
Café, Daniel Chaves |
contributor_str_mv |
Café, Daniel Chaves |
dc.subject.keyword.pt_BR.fl_str_mv |
Ataques cibernéticos Aprendizado de máquina Aprendizado do computador Servidores da Web |
topic |
Ataques cibernéticos Aprendizado de máquina Aprendizado do computador Servidores da Web |
description |
Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021. |
publishDate |
2021 |
dc.date.submitted.none.fl_str_mv |
2021-05-26 |
dc.date.accessioned.fl_str_mv |
2022-02-09T13:52:50Z |
dc.date.available.fl_str_mv |
2022-02-09T13:52:50Z |
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.citation.fl_str_mv |
FERREIRA, Matheus Siade. Detecção de DDoS por aprendizado de máquina. 2021. 53 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2021. |
dc.identifier.uri.fl_str_mv |
https://bdm.unb.br/handle/10483/29831 |
identifier_str_mv |
FERREIRA, Matheus Siade. Detecção de DDoS por aprendizado de máquina. 2021. 53 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2021. |
url |
https://bdm.unb.br/handle/10483/29831 |
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.source.none.fl_str_mv |
reponame:Biblioteca Digital de Monografias da UnB instname:Universidade de Brasília (UnB) instacron:UNB |
instname_str |
Universidade de Brasília (UnB) |
instacron_str |
UNB |
institution |
UNB |
reponame_str |
Biblioteca Digital de Monografias da UnB |
collection |
Biblioteca Digital de Monografias da UnB |
bitstream.url.fl_str_mv |
http://bdm.unb.br/xmlui/bitstream/10483/29831/2/license.txt http://bdm.unb.br/xmlui/bitstream/10483/29831/1/2021_MatheusSiadeFerreira_tcc.pdf |
bitstream.checksum.fl_str_mv |
21554873e56ad8ddc69c092699b98f95 0722e217fd04bd58362d9b5ec564829c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB) |
repository.mail.fl_str_mv |
bdm@bce.unb.br||patricia@bce.unb.br |
_version_ |
1801493169720786944 |