Sistema de detecção de intrusão com o uso de aprendizado federado: uma abordagem com seleção de atributos e modelo de rede neural híbrida

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMattos, Diogo Menezes Ferrazani-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6177045546956476-
Autor(es): dc.contributorFerreira, Tadeu Nagashima-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3756829511114463-
Autor(es): dc.contributorOliveira, Nicollas Rodrigues de-
Autor(es): dc.contributorCunha Neto, Helio do Nascimento-
Autor(es): dc.contributorhttps://lattes.cnpq.br/2288544868941179-
Autor(es): dc.creatorLundgren, Ricardo Amorim-
Data de aceite: dc.date.accessioned2025-08-21T20:14:51Z-
Data de disponibilização: dc.date.available2025-08-21T20:14:51Z-
Data de envio: dc.date.issued2025-02-05-
Data de envio: dc.date.issued2025-02-05-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/36403-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1057505-
Descrição: dc.descriptionEste 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.descriptionThis 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.description51 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado federado-
Palavras-chave: dc.subjectSeleção de atributos-
Palavras-chave: dc.subjectSistema de detecção de intrusão-
Palavras-chave: dc.subjectSeleção de atributos-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectRede neural-
Palavras-chave: dc.subjectFederated learning-
Palavras-chave: dc.subjectAutoencoder-
Palavras-chave: dc.subjectFeature selection-
Palavras-chave: dc.subjectIntrusion detection system-
Título: dc.titleSistema 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.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.