Navegando por Assunto "Algoritmos bio-inspirados"

Agora exibindo 1 - 2 de 2

Análise de características de navegação em redes para a detecção de intrusão com base em algoritmos bio-inspirados
(2023) Frezzato, Miguel
Com o constante aumento de usuários conectados à Internet, um grande volume de dados tem sido gerado a partir de várias redes. Em vista disso, a segurança cibernética está sendo cada vez mais afetada, havendo grande necessidade de estudos científicos na área. Sistemas de detecção de intrusão (IDS) cada vez mais robustos são constantemente desenvolvidos, visando proteger os dados que são trafegados nas redes. Estes sistemas analisam as características de fluxo de cada dispositivo na rede para identificar uma possível instrusão. Selecionar apenas as características que mais se relacionam com as intrusões influencia diretamente na velocidade da análise, além de auxiliar os classificadores a tomar decisões precisas ao identificar uma intrusão. Por outro lado, o desenvolvimento do aprendizado de máquina e de algoritmos de otimização inspirados na natureza têm impulsionado o avanço de diversas áreas tecnológicas. Assim, o presente trabalho apresenta uma metodologia de análise dessas características utilizando uma combinação de aprendizado de máquina e algoritmos bio-inspirados para detecção eficiente de intrusões na rede. Os resultados experimentais mostram que o método proposto aumenta a acurácia e a taxa de detecção do IDS, além de diminuir a taxa de falsos alarmes. Além disso, o método se mostrou competitivo com os principais trabalhos relacionados do estado da arte com desempenho semelhante ou superiror nas bases de dados NSL-KDD e UNSW-NB15
UM MODELO BAYESIANO BASEADO EM ALGORITMOS BIO-INSPIRADOS PARA CLASSIFICAÇÃO BINÁRIA
(2020-06-17) RICARDO MORELLO SANTOS; THYAGO MELO DOS SANTOS
Nos últimos anos, nota-se o crescente aumento na geração de dados digitais, sobretudo por conta da consolidação da internet como meio de comunicação. Proporcionalmente, cresce também a quantidade de algoritmos e metodologias propostas para mineração de dados e identificação de tendências ou padrões, hoje uma tarefa inviável à capacidade analítica humana. No entanto, de acordo com a literatura, estas técnicas apresentam performance diferente quando aplicadas em problemas ou bases de dados diferentes. Assim, este trabalho propõe um modelo bayesiano que agrega a saída de diferentes algoritmos de classificação, ponderando-as de maneira a priorizar o classificador com melhor performance para o problema em questão. Foram aplicados e comparados algoritmos consolidados na literatura, considerando dois conjuntos. O primeiro deles envolve o Supported Vector Machine (SVM) e o XGBoost, enquanto o segundo compreende SVM, Tensorflow e uma rede neural do tipo Multilayer Perceptron (MLP). Para otimização do processo combinatório de ponderação dos classificadores no modelo proposto, foram também aplicados e comparados dois algoritmos bio-inspirados, Firefly e Particle Swarm Optimization. A metodologia foi aplicada em três bases de dados de classificação binária, sendo duas para predição da rotatividade de clientes, Telco Customer Churn e Churn in Telecom’s Dataset, e uma terceira base para predição de doenças cardiovasculares, Cardiovascular Disease Dataset. Os resultados obtidos mostram que o modelo proposto priorizou os classificadores com maior performance, portanto preservando a saída com maior assertividade, sobretudo na base de dados Telco Customer Churn. Neste caso, a despeito da maior variação nas classificações, o método proposto apresentou estabilidade na classificação. Nas demais bases de dados, quando os classificadores possuem performance similar, o modelo proposto apresentou assertividade também similar aos demais.