Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho

Detalhes bibliográficos
Autor(a) principal: Figueiredo, Inaê Soares de
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/239049
Resumo: Sistemas de detecção de intrusão em redes de computadores têm uma grande importância na manutenção da segurança de uma rede e são foco constante de pesquisas que buscam aprimorar IDSs já existentes ou desenvolver novos ainda melhores. Este trabalho apresenta um estudo dos modelos de aprendizado de máquina autoencoder e Restricted Boltzmann Machine, comprovadamente efetivos na detecção de intrusão. Os modelos são comparados e busca-se melhorá-los por meio da aplicação de técnicas de clusterização e ensemble learning (majority-voting). As métricas mostraram-se pouco afetadas pela aplicação das técnicas de melhoria individualmente, mas bons resultados foram obtidos ao combiná-las, alçando 84,71% de acurácia e 91,31% F1-score no dataset KDD99.
id UNSP_6d6320ccf8a0093e92f22776a141c5b9
oai_identifier_str oai:repositorio.unesp.br:11449/239049
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenhoOn intrusion detection with machine learning: studying the application of Ensemble Learning and clustering in performance improvementSistema de detecção de intrusãoAprendizado de máquinaRedes de computadoresIntrusion detection systemsMachine learningComputer networksSistemas de detecção de intrusão em redes de computadores têm uma grande importância na manutenção da segurança de uma rede e são foco constante de pesquisas que buscam aprimorar IDSs já existentes ou desenvolver novos ainda melhores. Este trabalho apresenta um estudo dos modelos de aprendizado de máquina autoencoder e Restricted Boltzmann Machine, comprovadamente efetivos na detecção de intrusão. Os modelos são comparados e busca-se melhorá-los por meio da aplicação de técnicas de clusterização e ensemble learning (majority-voting). As métricas mostraram-se pouco afetadas pela aplicação das técnicas de melhoria individualmente, mas bons resultados foram obtidos ao combiná-las, alçando 84,71% de acurácia e 91,31% F1-score no dataset KDD99.Intrusion detection systems in computer networks are of great importance in maintaining the security of a network and are a constant focus of research that seeks to improve existing IDSs or develop even better ones. This work presents a study of the autoencoder and Restricted Boltzmann Machine machine learning models, proven effective in intrusion detection. The models are compared, and an attempt is made to improve them by applying clustering techniques and ensemble learning (majority voting). The metrics were little affected by the application of improvement techniques individually, but good results were obtained when combining them, reaching 84.71% accuracy and 91.31% F1-score on the KDD99 dataset.Não recebi financiamentoUniversidade Estadual Paulista (Unesp)Costa, Kelton Augusto Pontara da [UNESP]Universidade Estadual Paulista (Unesp)Figueiredo, Inaê Soares de2023-01-27T13:05:41Z2023-01-27T13:05:41Z2023-01-19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/239049porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-12-05T06:18:45Zoai:repositorio.unesp.br:11449/239049Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462023-12-05T06:18:45Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
On intrusion detection with machine learning: studying the application of Ensemble Learning and clustering in performance improvement
title Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
spellingShingle Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
Figueiredo, Inaê Soares de
Sistema de detecção de intrusão
Aprendizado de máquina
Redes de computadores
Intrusion detection systems
Machine learning
Computer networks
title_short Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
title_full Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
title_fullStr Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
title_full_unstemmed Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
title_sort Sobre detecção de intrusão com aprendizado de máquina: estudo da aplicação de Ensemble Learning e clusterização na melhoria de desempenho
author Figueiredo, Inaê Soares de
author_facet Figueiredo, Inaê Soares de
author_role author
dc.contributor.none.fl_str_mv Costa, Kelton Augusto Pontara da [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Figueiredo, Inaê Soares de
dc.subject.por.fl_str_mv Sistema de detecção de intrusão
Aprendizado de máquina
Redes de computadores
Intrusion detection systems
Machine learning
Computer networks
topic Sistema de detecção de intrusão
Aprendizado de máquina
Redes de computadores
Intrusion detection systems
Machine learning
Computer networks
description Sistemas de detecção de intrusão em redes de computadores têm uma grande importância na manutenção da segurança de uma rede e são foco constante de pesquisas que buscam aprimorar IDSs já existentes ou desenvolver novos ainda melhores. Este trabalho apresenta um estudo dos modelos de aprendizado de máquina autoencoder e Restricted Boltzmann Machine, comprovadamente efetivos na detecção de intrusão. Os modelos são comparados e busca-se melhorá-los por meio da aplicação de técnicas de clusterização e ensemble learning (majority-voting). As métricas mostraram-se pouco afetadas pela aplicação das técnicas de melhoria individualmente, mas bons resultados foram obtidos ao combiná-las, alçando 84,71% de acurácia e 91,31% F1-score no dataset KDD99.
publishDate 2023
dc.date.none.fl_str_mv 2023-01-27T13:05:41Z
2023-01-27T13:05:41Z
2023-01-19
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/11449/239049
url http://hdl.handle.net/11449/239049
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.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1803046809009913856

Registros relacionados