Detecção de anomalias utilizando autoencoder variacional

• Autor(a) principal: Comini, João Pedro Marin
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/255487
• topic: Aprendizado de máquina; Detecção de anomalias; Redes de computadores; Anomaly detection; Autoencoder; Variational Inference; Machine learning

A Internet se desenvolveu de forma exponencial nos últimos anos, junto a isso, os riscos de agentes maliciosos atuarem se tornou ainda maior. Neste trabalho, realizou-se um estudo profundo sobre um modelo de aprendizagem de máquina conhecido como autoencoder variacional, que foi treinado e desenvolvido junto a diversos modelos de aprendizado de máquina, implementados através das frameworks TensorFlow e Keras para a linguagem de programação Python. Utilizou-se o conjunto de dados NSL-KDD, uma versão refinada do conjunto de dados KDDcup99, cuja preparação e tratamento também foram abordados em um capítulo deste trabalho. Os modelos foram desenvolvidos com o objetivo de avaliar sua efetividade no campo de detecção de anomalias, mais especificamente ao se tratar de anomalias em redes de computadores. Seus resultados foram comparados com diversos classificadores já estabelecidos na área e resultados satisfatórios foram obtidos. Espera-se, então, que este trabalho sirva de apoio para trabalhos futuros envolvendo autoencoders variacionais e/ou detecção de anomalias.