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 | Mattos, Diogo Menezes Ferrazani | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/6177045546956476 | - |
Autor(es): dc.contributor | Ferreira, Tadeu Nagashima | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3756829511114463 | - |
Autor(es): dc.contributor | Oliveira, Nicollas Rodrigues de | - |
Autor(es): dc.contributor | Cunha Neto, Helio do Nascimento | - |
Autor(es): dc.contributor | https://lattes.cnpq.br/2288544868941179 | - |
Autor(es): dc.creator | Lundgren, Ricardo Amorim | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:14:51Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:14:51Z | - |
Data de envio: dc.date.issued | 2025-02-05 | - |
Data de envio: dc.date.issued | 2025-02-05 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/36403 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1057505 | - |
Descrição: dc.description | Este trabalho propõe um sistema de detecção de intrusão utilizando as técnicas de aprendizado de máquina federado e seleção de atributos. O modelo de rede neural proposto para classificação é híbrido, combinando um autoencoder e um classificador binário. O objetivo principal é implementar o modelo e avaliar tanto sua efetividade quanto a técnica de seleção de atributos. O conjunto de dados CICIDS 2017 é utilizado, porém, as características categóricas são descartadas. As métricas F1-Score e AUC-Score são usadas para fazer a avaliação do modelo híbrido. Os resultados demonstram que a seleção de atributos melhora a eficiência do modelo, principalmente, reduzindo o número de falsos negativos apresentados e o número de épocas necessárias para que o modelo convirja. O aprendizado federado e a seleção de atributos permitem maior segurança e eficiência aos sistemas de detecção de intrusão e o modelo híbrido se demonstra eficiente em classificar os ataques. | - |
Descrição: dc.description | This work proposes an intrusion detection system using federated machine learning and feature selection techniques. The proposed neural network model for classification is hybrid, combining an autoencoder and a binary classifier. The main objective is to implement the model and evaluate both its effectiveness and the feature selection technique. The CICIDS 2017 dataset is used, however, categorical features are discarded. The F1-Score and AUC-Score metrics are employed to evaluate the hybrid model. The results demonstrate that feature selection improves the model's efficiency, primarily by reducing the number of false negatives and the number of epochs required for the model to converge. Federated learning and feature selection provide greater security and efficiency to intrusion detection systems, and the hybrid model proves effective in classifying attacks. | - |
Descrição: dc.description | 51 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado federado | - |
Palavras-chave: dc.subject | Seleção de atributos | - |
Palavras-chave: dc.subject | Sistema de detecção de intrusão | - |
Palavras-chave: dc.subject | Seleção de atributos | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Federated learning | - |
Palavras-chave: dc.subject | Autoencoder | - |
Palavras-chave: dc.subject | Feature selection | - |
Palavras-chave: dc.subject | Intrusion detection system | - |
Título: dc.title | Sistema de detecção de intrusão com o uso de aprendizado federado: uma abordagem com seleção de atributos e modelo de rede neural híbrida | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: