Análise de características de navegação em redes para a detecção de intrusão com base em algoritmos bio-inspirados
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2023
Autores
Frezzato, Miguel
Orientador
Rodrigues, Paulo Sérgio Silva
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
FREZZATO, Miguel. Análise de características de navegação em redes para a detecção de
intrusão com base em algoritmos bio-inspirados. 2023. 70 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2023. Disponível em: https://doi.org/10.31414/EE.2023.D.131678.
Texto completo (DOI)
Palavras-chave
Algoritmos bio-inspirados,Sistema de detecção de intrusão,Segurança cibernética
Resumo
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
With the constant increase of users connected to the internet, a large volume of data is generated from various networks. Because of this, cybersecurity is being increasingly affected, with a great need for scientific studies in the area. Intrusion detection systems (IDS) are increasingly robust and constantly being developed to protect data that is transmitted over networks. These systems analyze the flow features of each user on the network to identify a possible intrusion. Selecting only the features that are most related to the intrusions influences the speed of the analysis, in addition to helping the classifiers to make accurate decisions when identifying an intrusion. On the other hand, the development of machine learning and optimization algorithms inspired by nature has driven the advancement of several technological areas. Thus, this work presents a methodology for analyzing these characteristics using a combination of machine learning and bio-inspired algorithms for efficient detection of network intrusions. The experimental results show that the proposed method increases the accuracy and detection rate of the IDS and decreases the false alarm rate. In addition, the method proved to be competitive with the main state-of-the-art related works with similar or superior performance in the NSL-KDD and UNSW-NB15 datasets
With the constant increase of users connected to the internet, a large volume of data is generated from various networks. Because of this, cybersecurity is being increasingly affected, with a great need for scientific studies in the area. Intrusion detection systems (IDS) are increasingly robust and constantly being developed to protect data that is transmitted over networks. These systems analyze the flow features of each user on the network to identify a possible intrusion. Selecting only the features that are most related to the intrusions influences the speed of the analysis, in addition to helping the classifiers to make accurate decisions when identifying an intrusion. On the other hand, the development of machine learning and optimization algorithms inspired by nature has driven the advancement of several technological areas. Thus, this work presents a methodology for analyzing these characteristics using a combination of machine learning and bio-inspired algorithms for efficient detection of network intrusions. The experimental results show that the proposed method increases the accuracy and detection rate of the IDS and decreases the false alarm rate. In addition, the method proved to be competitive with the main state-of-the-art related works with similar or superior performance in the NSL-KDD and UNSW-NB15 datasets