Logo do repositório

Detecção adaptativa de anomalias em redes de computadores utilizando técnicas não supervisionadas

dc.contributor.advisorCansian, Adriano Mauro [UNESP]
dc.contributor.authorGalhardi, Vinícius Vassoler [UNESP]
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2017-02-09T18:43:15Z
dc.date.available2017-02-09T18:43:15Z
dc.date.issued2017-01-18
dc.description.abstractAtaques às redes de computadores têm sido cada vez mais constantes e possuem grande capacidade destrutiva. Os sistemas de detecção de intrusão possuem um importante papel na detecção destas ameaças. Dentre estes sistemas, a detecção de anomalias tem sido uma área amplamente explorada devido à possibilidade de detectar ataques até então desconhecidos. Devido à complexidade para a geração de modelos que sejam capazes de descrever o comportamento padrão de um ambiente, técnicas de aprendizagem automática vêm sendo amplamente exploradas. Este trabalho aborda a detecção de ataques a redes de computadores utilizando uma combinação de técnicas de agrupamento. Desse modo, espera-se obter um sistema adaptativo, capaz de encontrar anomalias presentes na rede sem a necessidade de uma etapa de treinamento com dados rotulados. Dado que a taxa de falsos negativos é um dos maiores problemas encontrados na utilização de algoritmos não supervisionados, pretende-se alcançar uma melhora neste quesito através do uso combinado de diferentes técnicas.pt
dc.description.abstractAttacks on computer networks have been constantly increased and have great destructive capacity. Intrusion detection systems have an important role in the detection of these threats. Among these systems, anomaly detection has been widely explored due to the possibility of detecting unknown attacks. These systems are usually built using machine learning techniques due to the complexity of generating models capable of describing the normal behavior of an environment. We aim to addresses the detection of anomalies on computer networks using a combination of clustering techniques. Thus, we expect to achieve an adaptive system, able to find anomalies present in the network without the need of a training step with labeled data. Given that false positive rate is one of the major problems faced when using unsupervised algorithms, we intend to achieve an improvement in this issue with the combined use of different techniques.en
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.identifier.aleph000879891
dc.identifier.capes33004153073P2
dc.identifier.lattes0095921943345974
dc.identifier.orcid0000-0003-4494-1454
dc.identifier.urihttp://hdl.handle.net/11449/148746
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectDetecção de anomalias em redespt
dc.subjectAprendizado não supervisionadopt
dc.subjectAnálise de fluxo de dadospt
dc.subjectNetwork anomaly detectionen
dc.subjectUnsupervised learningen
dc.subjectData stream analysisen
dc.titleDetecção adaptativa de anomalias em redes de computadores utilizando técnicas não supervisionadaspt
dc.title.alternativeAdaptive anomaly detection in computer networks using unsupervised techniquesen
dc.typeDissertação de mestrado
dspace.entity.typePublication
unesp.advisor.lattes0095921943345974[1]
unesp.advisor.orcid0000-0003-4494-1454[1]
unesp.campusUniversidade Estadual Paulista (UNESP), Instituto de Biociências, Letras e Ciências Exatas, São José do Rio Pretopt
unesp.embargo12 meses após a data da defesapt
unesp.graduateProgramCiência da Computação - IBILCEpt
unesp.knowledgeAreaSistemas de Computaçãopt
unesp.researchAreaArquitetura de Computadores e Sistemas Distribuídos

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
galhardi_vv_me_sjrp_int.pdf
Tamanho:
5.76 MB
Formato:
Adobe Portable Document Format
Descrição:

Licença do pacote

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
3.01 KB
Formato:
Item-specific license agreed upon to submission
Descrição: