Do tweet à ameaça:

Oliveira, Hugo Linhares; Cezarino, João Pedro Rosa; Lacerda, Thales de Oliveira; Oliveira, Vitor Martins

Do tweet à ameaça:

dc.contributor.advisor	Ferreira, Charles Henrique Porto
dc.contributor.advisorLattes	http://lattes.cnpq.br/9346953261085205
dc.contributor.author	Oliveira, Hugo Linhares
dc.contributor.author	Cezarino, João Pedro Rosa
dc.contributor.author	Lacerda, Thales de Oliveira
dc.contributor.author	Oliveira, Vitor Martins
dc.date.accessioned	2024-02-28T12:00:17Z
dc.date.available	2024-02-28T12:00:17Z
dc.date.issued	2023-12-05
dc.description.abstract	Com o aumento dos ataques cibernéticos, a segurança digital torna-se crucial. Redes sociais, especialmente o Twitter, são plataformas onde hackers expressam intenções. Este trabalho propõe um método de extração e análise de dados dessas redes usando técnicas de Machine Learning e pré-processamento de textos para identificar padrões indicativos de ameaças cibernéticas. Diante desse desafio, são apresentadas duas abordagens: na primeira, há a combinação de sentimentos, entidades e similaridade com palavras-chave de segurança da informação em uma única representação vetorial, juntamente com os resultados de um algoritmo de classificação. Já na segunda abordagem, é utilizado um score ponderado para cada atributo do mecanismo de análise, visando uma abordagem mais refinada na detecção de possíveis ameaças. Os resultados destacam a importância da análise de entidades na melhoria da precisão do modelo, onde identificou-se que datas e números são mais prevalentes em comunicações que contêm ameaças. Além disso, os resultados obtidos questionam a eficácia da análise de sentimentos como indicador confiável, desafiando a premissa de que a polaridade do sentimento é um sinal seguro de conteúdo mal-intencionado na identificação de tweets potencialmente perigosos. Neste cenário, o algoritmo Random Forest se destacou, alcançando uma acurácia de até 79,59% na classificação de tweets como ameaças, contra 79,25% de baseline.	pt_BR
dc.description.abstract	With the increase in cyber attacks, digital security becomes crucial. Social networks, especially Twitter, are platforms where hackers express their intentions. This work proposes a method for extracting and analyzing data from these networks using Machine Learning techniques and text preprocessing to identify patterns indicative of cyber threats. In the face of this challenge, two approaches are presented: the first combines sentiment analysis, entity recognition, and similarity with information security keywords into a single vector representation, along with the results of a classification algorithm. The second approach uses a weighted score for each attribute of the analysis mechanism, aiming for a more refined approach in detecting potential threats. The results highlight the importance of entity analysis in improving the model's accuracy, where it was found that dates and numbers are more prevalent in communications containing threats. Moreover, the obtained results challenge the effectiveness of sentiment analysis as a reliable indicator, defying the premise that sentiment polarity is a sure sign of malicious content in the identification of potentially dangerous tweets. In this scenario, the Random Forest algorithm stood out, achieving an accuracy of up to 79.59% in classifying tweets as threats, compared to a 79.25% baseline.	en
dc.format.extent	49
dc.identifier.uri	https://repositorio.fei.edu.br/handle/FEI/5284
dc.language.iso	pt_BR
dc.rights	Aberto
dc.subject	segurança cibernética
dc.subject	ataques cibernéticos
dc.subject	redes sociais
dc.subject	machine learning
dc.subject	processamento de texto
dc.subject	rastreamento de dados
dc.subject	análise de sentimentos
dc.subject	cybersecurity
dc.subject	cyber attacks
dc.subject	social networks
dc.subject	machine learning
dc.subject	text processing
dc.subject	data tracking
dc.subject	sentiment analysis
dc.title	Do tweet à ameaça:
dc.title.alternative	um estudo sobre padrões de detecção de ameaças cibernéticas através de processamento de linguagem natural
dc.type	Trabalho de Conclusão de Curso
fei.date.entrega	2024