Análise do desempenho de honeypots e algoritmos de aprendizado de máquina em tarefas de detecção de intrusão

Abstract

A cibersegurança é uma área de grande interesse na computação. A capacidade de detectar e lidar com invasores em ambientes digitais é uma preocupação para muitas pessoas e empresas. Em contrapartida, os mecanismos que proporcionam essa capacidade nem sempre são totalmente confiáveis, falhando em algumas ocasiões e causando prejuízos inimagináveis para seus usuários. Como resolução para esse problema, muito se propõe o uso de aprendizado de máquina. Esse projeto emprega dois algoritmos de clusterização: K-Means e DBSCAN. O objetivo é analisar seu impacto quando usados em conjuntos com outros classificadores baseados em três algoritmos de aprendizado de máquina: Support Vector Machines, Multilayer Perceptron e K-Nearest Neighbors. Além disso, é empregado o conceito de honeypots para analisar sua usabilidade como receptáculo de informações a respeito de ataques para providenciar dados aos modelos preditivos. Tudo que chega a um honeypot é considerado um ataque e esse tipo de informação pode ser aproveitado por modelos de aprendizado de máquina.

Cybersecurity is an area of great interest in computing. The ability to detect and deal with attackers in digital environments is a concern for many people and companies. On the other hand, the mechanisms that provide this capacity are not always completely reliable, failing on some occasions and causing unimaginable losses for their users. As a solution to this problem, many people propose the use of machine learning. This project employs two \textit{clustering} algorithms: K-Means and DBSCAN. The objective is to analyze their impact when used in conjunction with other classifiers based on three machine learning algorithms: Support Vector Machines, Multilayer Perceptron and K-Nearest Neighbors. Furthermore, the concept of \textit{honeypots} is used to analyze its usability as a receptacle of information regarding attacks to provide data for predictive models. Everything that reaches a honeypot is considered an attack and this type of information can be used by machine learning models.