Aprendizado não-supervisionado de características para detecção de conteúdo malicioso
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/144635 |
Resumo: | O aprendizado de características tem sido um dos grandes desafios das técnicas baseadas em Redes Neurais Artificiais (RNAs), principalmente quando se trata de um grande número de amostras e características que as definem. Uma técnica ainda pouco explorada nesse campo diz respeito as baseadas em RNAs derivada das Máquinas de Boltzmann Restritas, do inglês Restricted Boltzmann Machines (RBM), principalmente na área de segurança de redes de computadores. A proposta deste trabalho visa explorar essas técnicas no campo de aprendizado não-supervisionado de características para detecção de conteúdo malicioso, especificamente na área de segurança de redes de computadores. Experimentos foram conduzidos usando técnicas baseadas em RBMs para o aprendizado não-supervisionado de características visando a detecção de conteúdo malicioso utilizando meta-heurísticas baseadas em algoritmos de otimização, voltado à detecção de spam em mensagens eletrônicas. Nos resultados alcançados por meio dos experimentos, observou-se, que com uma quantidade menor de características, podem ser obtidos resultados similares de acurácia quando comparados com as bases originais, com um menor tempo relacionado ao processo de treinamento, evidenciando que técnicas de aprendizado baseadas em RBMs são adequadas para o aprendizado de características no contexto deste trabalho. |
id |
UNSP_e7088dcf372f4baf223d696d3e0e4d0f |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/144635 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Aprendizado não-supervisionado de características para detecção de conteúdo maliciosoUnsupervised learning features for malicious content detectionAprendizado de característicasAnomaliasRedes de computadoresRedes neurais artificiaisMáquinas de Boltzmann restritasFeature learningAnomaliesComputer networksArtificial neural networksRestricted Boltzmann machinesO aprendizado de características tem sido um dos grandes desafios das técnicas baseadas em Redes Neurais Artificiais (RNAs), principalmente quando se trata de um grande número de amostras e características que as definem. Uma técnica ainda pouco explorada nesse campo diz respeito as baseadas em RNAs derivada das Máquinas de Boltzmann Restritas, do inglês Restricted Boltzmann Machines (RBM), principalmente na área de segurança de redes de computadores. A proposta deste trabalho visa explorar essas técnicas no campo de aprendizado não-supervisionado de características para detecção de conteúdo malicioso, especificamente na área de segurança de redes de computadores. Experimentos foram conduzidos usando técnicas baseadas em RBMs para o aprendizado não-supervisionado de características visando a detecção de conteúdo malicioso utilizando meta-heurísticas baseadas em algoritmos de otimização, voltado à detecção de spam em mensagens eletrônicas. Nos resultados alcançados por meio dos experimentos, observou-se, que com uma quantidade menor de características, podem ser obtidos resultados similares de acurácia quando comparados com as bases originais, com um menor tempo relacionado ao processo de treinamento, evidenciando que técnicas de aprendizado baseadas em RBMs são adequadas para o aprendizado de características no contexto deste trabalho.The features learning has been one of the main challenges of techniques based on Artificial Neural Networks (ANN), especially when it comes to a large number of samples and features that define them. Restricted Boltzmann Machines (RBM) is a technique based on ANN, even little explored especially in security in computer networks. This study aims to explore these techniques in unsupervised features learning in order to detect malicious content, specifically in the security area in computer networks. Experiments were conducted using techniques based on RBMs for unsupervised features learning, which was aimed to identify malicious content, using meta-heuristics based on optimization algorithms, which was designed to detect spam in email messages. The experiment results demonstrated that fewer features can get similar results as the accuracy of the original bases with a lower training time, it was concluded that learning techniques based on RBMs are suitable for features learning in the context of this work.Universidade Estadual Paulista (Unesp)Papa, João Paulo [UNESP]Costa, Kelton Augusto Pontara da [UNESP]Universidade Estadual Paulista (Unesp)Silva, Luis Alexandre da [UNESP]2016-11-16T16:33:02Z2016-11-16T16:33:02Z2016-08-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/14463500087563933004153073P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-01-06T06:26:31Zoai:repositorio.unesp.br:11449/144635Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T22:15:28.923431Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso Unsupervised learning features for malicious content detection |
title |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso |
spellingShingle |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso Silva, Luis Alexandre da [UNESP] Aprendizado de características Anomalias Redes de computadores Redes neurais artificiais Máquinas de Boltzmann restritas Feature learning Anomalies Computer networks Artificial neural networks Restricted Boltzmann machines |
title_short |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso |
title_full |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso |
title_fullStr |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso |
title_full_unstemmed |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso |
title_sort |
Aprendizado não-supervisionado de características para detecção de conteúdo malicioso |
author |
Silva, Luis Alexandre da [UNESP] |
author_facet |
Silva, Luis Alexandre da [UNESP] |
author_role |
author |
dc.contributor.none.fl_str_mv |
Papa, João Paulo [UNESP] Costa, Kelton Augusto Pontara da [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Silva, Luis Alexandre da [UNESP] |
dc.subject.por.fl_str_mv |
Aprendizado de características Anomalias Redes de computadores Redes neurais artificiais Máquinas de Boltzmann restritas Feature learning Anomalies Computer networks Artificial neural networks Restricted Boltzmann machines |
topic |
Aprendizado de características Anomalias Redes de computadores Redes neurais artificiais Máquinas de Boltzmann restritas Feature learning Anomalies Computer networks Artificial neural networks Restricted Boltzmann machines |
description |
O aprendizado de características tem sido um dos grandes desafios das técnicas baseadas em Redes Neurais Artificiais (RNAs), principalmente quando se trata de um grande número de amostras e características que as definem. Uma técnica ainda pouco explorada nesse campo diz respeito as baseadas em RNAs derivada das Máquinas de Boltzmann Restritas, do inglês Restricted Boltzmann Machines (RBM), principalmente na área de segurança de redes de computadores. A proposta deste trabalho visa explorar essas técnicas no campo de aprendizado não-supervisionado de características para detecção de conteúdo malicioso, especificamente na área de segurança de redes de computadores. Experimentos foram conduzidos usando técnicas baseadas em RBMs para o aprendizado não-supervisionado de características visando a detecção de conteúdo malicioso utilizando meta-heurísticas baseadas em algoritmos de otimização, voltado à detecção de spam em mensagens eletrônicas. Nos resultados alcançados por meio dos experimentos, observou-se, que com uma quantidade menor de características, podem ser obtidos resultados similares de acurácia quando comparados com as bases originais, com um menor tempo relacionado ao processo de treinamento, evidenciando que técnicas de aprendizado baseadas em RBMs são adequadas para o aprendizado de características no contexto deste trabalho. |
publishDate |
2016 |
dc.date.none.fl_str_mv |
2016-11-16T16:33:02Z 2016-11-16T16:33:02Z 2016-08-25 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/144635 000875639 33004153073P2 |
url |
http://hdl.handle.net/11449/144635 |
identifier_str_mv |
000875639 33004153073P2 |
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_ |
1808129409663631360 |