Detecção de DDoS por aprendizado de máquina

Detalhes bibliográficos
Autor(a) principal: Ferreira, Matheus Siade
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: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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

Registros relacionados