Aplicação do método conjunto Stacking do classificador Floresta de Caminhos Ótimos para o problema de detecção de intrusão.

Página do item simplificado
dc.contributor.advisorBrega, José Remo Ferreira [UNESP]
dc.contributor.authorBertoni, Mateus Alves
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2021-07-31T17:13:39Z
dc.date.available2021-07-31T17:13:39Z
dc.date.issued2021-07-02
dc.description.abstractCom a expansão tecnológica, a base dos processos de negócios de inúmeras instituições tornouse a informação, causando certa dependência das organizações perante a computação. Em um cenário onde existem praticamente infinitas ameaças às informações das organizações, a área de Segurança da Informação demonstra-se ser essencial. Para garantir a proteção do ambiente organizacional, diversas medidas de segurança são cabíveis, dentre elas a implementação de controles lógicos. Um dos controles lógicos mais conhecidos e amplamente utilizado é o Sistema de Detecção de Intrusão, que, basicamente, pode ter sua metodologia baseada em assinatura ou anomalia. Esta última é capaz de detectar ameaças completamente desconhecidas, e por isso tem sido extensivamente estudada pela comunidade científica. A fim de aprimorar a performance destes sistemas, técnicas de Aprendizado de Máquina são aplicadas, buscando melhorar as taxas de detecção e diminuir os erros dos mesmos. Dentre essas técnicas, ultimamente os métodos conjuntos têm se destacado na área, produzindo resultados promissores em suas implementações. Este trabalho apresenta a aplicação de um método conjunto de Stacking do classificador Optimum-Path Forest para o problema de detecção de intrusão, com o intuito de contribuir para a área de Segurança da Informação. Para tal, dois conjuntos de dados foram empregados, um amplamente utilizado pela comunidade científica, NSL-KDD, e outro novo, uneSPY; ambos foram avaliados através de três experimentos distintos, que implementaram diversos classificadores, como Regressor Logístico, Decision Tree, Support Vector Machine, Random Forest, Optimum-Path Forest, e foram comparados com os modelos conjuntos stack do classificador Optimum-Path Forest. Os resultados experimentais forneceram observações interessantes sobre o conjunto de dados uneSPY e demonstraram aptidão dos modelos conjuntos do Optimum-Path Forest.pt
dc.description.abstractMachine Learning techniques have been extensively researched in the last years, mainly due to their effectiveness when dealing with recognition classification applications. Typically, one can comprehend using a Machine Learning system to autonomously delegate routines, save human efforts, and produce great insights regarding decision-making tasks. This work introduces and validates a stacking-based ensemble approach using Optimum-Path Forest classifiers to the intrusion detection task. Instead of using only the widely adopted NSL-KDD dataset, this work also employs a new one, called uneSPY; which provides valuable insights concerning new intrusion detection datasets. Both datasets were evaluated under three distinct experiments, which implemented several classifiers, including Logistic Regression, Decision Trees, Support Vector Machines, Random Forests, Optimum-Path Forests, and were compared against Optimum-Path Forest stacking-based ensembles. The experimental results showed an Optimum-Path Forest stacking-based ensemble classification suitability, particularly when considering its ability to generalize large volumes of data while sustaining its performance.en
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.description.sponsorshipIdCAPES Nº - 88882.434393/2019- 01
dc.identifier.capes33004153073P2
dc.identifier.urihttp://hdl.handle.net/11449/213785
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectSegurança da informaçãopt
dc.subjectSistemas de detecção de intrusãopt
dc.subjectAprendizado de máquinapt
dc.subjectMétodos conjuntospt
dc.subjectStackingen
dc.subjectOptimum-path foresten
dc.subjectDetecção de intrusãopt
dc.subjectFloresta de caminhos ótimospt
dc.subjectInformation securityen
dc.subjectIntrusion detection systemen
dc.subjectMachine learningen
dc.subjectEnsemble learningen
dc.subjectIntrusion detectionen
dc.subjectEnsemble methodsen
dc.titleAplicação do método conjunto Stacking do classificador Floresta de Caminhos Ótimos para o problema de detecção de intrusão.pt
dc.title.alternativeOptimum-path forest stacking-based ensemble for intrusion detectionen
dc.typeDissertação de mestrado
unesp.campusUniversidade Estadual Paulista (Unesp), Instituto de Biociências Letras e Ciências Exatas, São José do Rio Pretopt
unesp.embargoOnlinept
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramCiência da Computação - IBILCEpt
unesp.knowledgeAreaComputação aplicadapt
unesp.researchAreaSistemas de informaçãopt

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
bertoni_ma_me_sjrp.pdf
Tamanho:
2.13 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
3.02 KB
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Dissertações - Ciência da Computação - IBILCE