Classificação e Otimização de Características para Detecção de Anomalias em Redes de Computadores
Autor: Bruna de Camargo Rubio
Orientador: Prof. Dr. Kelton Augusto Pontara da Costa
A evolução das redes de computadores, em especial da internet, traz à tona um sério problema enfrentado atualmente: a Segurança de Redes de Computadores. Tal preocupação deve-se ao crescente número de pessoas interessadas em obter informações não autorizadas. Uma das áreas mais pesquisadas dentro da segurança de redes é a detecção de intrusão, especificamente, a detecção de anomalia. Um dos desafios desta área é a grande variedade e complexidade das anomalias, o que leva pesquisadores e empresas à investirem em abordagens inovadoras, tal como, a inteligência artificial. Portanto, este trabalho propõe a utilização de técnicas de aprendizado de máquina com o intuito de criar uma abordagem eficaz para a detecção de anomalias. A utilização de um classificador de padrões baseado em Florestas de Caminhos Ótimos (Optimum-Path Forest - OPF) aliada à meta-heurística da Otimização por Enxame de Partículas (Particle Swarm Optimization - PSO) busca uma solução que minimize o número de características, sem a perda significativa da acurácia de detecção. A proposta mostrou-se comprovada através dos resultados obtidos, que apresentaram melhores taxas de classificação com um menor número de características.
Palavras-chave: Segurança de Redes de Computadores; Detecção de Anomalia; Inteligência Artificial; Aprendizado de Máquina; Classificadores de Padrões; Floresta de Caminhos Ótimos; Meta-heurística; Otimização por enxame de Partículas.