
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Czestochowa University of Technology | - |
| Autor(es): dc.creator | Utimura, Luan | - |
| Autor(es): dc.creator | Costa, Kelton | - |
| Autor(es): dc.creator | Scherer, Rafał | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T21:10:37Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T21:10:37Z | - |
| Data de envio: dc.date.issued | 2023-03-01 | - |
| Data de envio: dc.date.issued | 2023-03-01 | - |
| Data de envio: dc.date.issued | 2022-01-23 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/B978-0-12-822688-9.00011-6 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/240550 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/240550 | - |
| Descrição: dc.description | As the internet grows over the years, it is possible to observe an increase in the amount of data that travels on computer networks around the world. In a context in which the volume of data is continuously being renewed, from the perspective of the Computer Network Security area, it becomes a great challenge to protect, in terms of effectiveness and efficiency, today's computer systems. Among the primary security mechanisms employed in these environments, the Network Intrusion Detection Systems stand out. Although the signature-based detection approach of these tools is sufficient to combat known attacks, with the eventual discovery of new vulnerabilities, it is necessary to use anomaly-based detection approaches to mitigate the damage of unknown attacks. In the academic field, several studies have explored the development of hybrid approaches to improve the accuracy of these tools, with the aid of machine learning techniques. In this same line of research, this chapter aims at the application of these techniques for intrusion detection in a real-time environment using a popular and widely utilized tool, the Snort IDS. The presented results show that in certain attack scenarios, the anomaly-based detection approach can outperform the signature-based detection approach, with emphasis on the optimum-path forest, AdaBoost, Random Forests, decision tree, and support vector machine techniques. © 2022 Copyright | - |
| Descrição: dc.description | São Paulo State University Department of Computing | - |
| Descrição: dc.description | Czestochowa University of Technology Department of Computing | - |
| Descrição: dc.description | São Paulo State University Department of Computing | - |
| Formato: dc.format | 55-93 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Optimum-Path Forest: Theory, Algorithms, and Applications | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Anomaly detection | - |
| Palavras-chave: dc.subject | Intrusion detection systems | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | OPF | - |
| Palavras-chave: dc.subject | Snort | - |
| Título: dc.title | Real-time application of OPF-based classifier in Snort IDS | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: