Aplicação de técnicas de inteligência artificial na otimização de sistemas de detecção de intrusão em redes de computadores

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMenezes, Paulo Lopes de-
Autor(es): dc.contributorMenezes, Paulo Lopes de-
Autor(es): dc.contributorCandido Junior, Arnaldo-
Autor(es): dc.contributorMichel, Neylor-
Autor(es): dc.creatorSchek, Lucas Juliano-
Data de aceite: dc.date.accessioned2025-08-29T12:49:38Z-
Data de disponibilização: dc.date.available2025-08-29T12:49:38Z-
Data de envio: dc.date.issued2022-09-09-
Data de envio: dc.date.issued2022-09-09-
Data de envio: dc.date.issued2021-05-03-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/29553-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1102566-
Descrição: dc.descriptionIntrusion detection plays an important role in ensuring the security of information, it is the main technology in accurately identifying various attacks on the network. In this article, we explore how to model a network intrusion detection system based on deep learning and propose an approach to intrusion detection using recurrent neural networks (RNN-IDS). The experimental results show that the RNN-IDS is very suitable for modeling a classification model with high precision and that its performance is superior to that of traditional machine learning classification methods. In this article, a new IDS is proposed, which consists of a recurrent neural network with textit Gate Recurrent Unit (GRU) and textit Long Short Term Memory (LSTM). To carry out the experiments, the public database NSL-KDD was selected and the Dropout and K-fold regularization technique was used. The results proved that LSTM and GRU had better accuracy in relation to other classifiers, such as: J48, BayesNet, Randodm Forest, among others.-
Descrição: dc.descriptionA detecção de intrusões desempenha um papel importante na garantia da segurança das informações, e a principal tecnologia na identificação com precisão de vários ataques na rede. Neste artigo, exploramos como modelar um sistema de detecção de intrusão em redes baseado em aprendizagem profunda e propomos uma abordagem para a detecção de intrusão usando redes neurais recorrentes (RNN-IDS). Os resultados experimentais mostram que o RNN-IDS e muito adequado para modelar um modelo de classificação com alta precisão e que seu desempenho e superior ao dos métodos tradicionais de classificação de aprendizado de máquina. Neste trabalho e proposto um novo IDS que consiste em uma rede neural recorrente com Gate Recurrent Unit (GRU) e Long Short Term Memory (LSTM). Para a realização dos experimentos, selecionou-se a base de dados publica NSL-KDD, foi utilizada a técnica de regularização Dropout e K-fold. Os resultados comprovaram que a LSTM e o GRU tiveram melhores acurácias em relação a outros classificadores, como: J48, BayesNet, Randodm Forest dentre outros.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherMedianeira-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectComputadores - Medidas de segurança-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectComputer security-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleAplicação de técnicas de inteligência artificial na otimização de sistemas de detecção de intrusão em redes de computadores-
Título: dc.titleApplication of artificial intelligence techniques in the optimization of intrusion detection systems in computer networks-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.