
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 | Foronda, Augusto | - |
| Autor(es): dc.contributor | Foronda, Augusto | - |
| Autor(es): dc.contributor | Ranthum, Geraldo | - |
| Autor(es): dc.contributor | Góis, Lourival Aparecido de | - |
| Autor(es): dc.creator | Lima, Thiago Renan de | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T13:18:37Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T13:18:37Z | - |
| Data de envio: dc.date.issued | 2025-07-02 | - |
| Data de envio: dc.date.issued | 2025-07-02 | - |
| Data de envio: dc.date.issued | 2024-05-15 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/37302 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1110973 | - |
| Descrição: dc.description | Distributed Denial of Service (DDoS) attacks are one-way cybercriminals can prevent access to online services by seeking to overwhelm the resources of a system, such as servers, networks, or applications, making them unable to handle legitimate requests. Various identification methods exist for detecting this type of attack, such as firewalls, Intrusion Detection Systems (IDS), and more recent methods, the latter employing artificial intelligence to identify irregular behaviors in the network. Using artificial intelligence for this detection is a good option because it studies the normal behavior of the network. Unlike firewalls that work statically by blocking predefined users and packets, and IDS that focus on studying the attack itself, the artificial intelligence method quickly identifies attacks based on its knowledge acquired from the data used during its development. The dataset used in its training influences its effectiveness. Depending on the quantity and proportion of information within it, the artificial intelligence algorithm may develop a bias when classifying different received packets, leading to potential errors. Therefore, it is essential that these datasets be as close to optimal as possible. This work analyzes the reduction of attributes from a dataset of 85 attributes using the Random Tree algorithm with entropy and information gain. The results show that it is possible to have a smaller dataset while still ensuring effectiveness in traffic classification. | - |
| Descrição: dc.description | Ataques distribuídos de negação de serviço (DDoS) é uma das formas que cibercriminosos podem impedir o acesso a serviços online, buscando sobrecarregar os recursos de um sistema, como servidores, redes ou aplicativos, os tornando incapazes de atender às solicitações legítimas. Diversos métodos de identificação existem para detecção desse tipo de ataque, como firewalls, sistemas para detecção de intrusos (IDS) e outros métodos mais recentes, estes utilizando inteligência artificial para detectar comportamentos irregulares na rede. A utilização de inteligência artificial para essa detecção é uma boa opção, já que ela estuda o comportamento normal da rede, isso significa que, ao contrário do firewall que trabalha de forma estática, bloqueando usuários e pacotes predefinidos, e os IDS que estudam o ataque em si, o método de inteligência artificial vai identificar rapidamente ataques, se baseando em seu conhecimento adquirido com os dados utilizados durante seu desenvolvimento. O conjunto de dados que é utilizado no seu treinamento influencia sua eficácia, dependendo da quantidade e proporção de informações dentro do mesmo, o algoritmo de inteligência artificial pode adquirir uma tendência ao classificar os diferentes pacotes recebidos, fazendo com que ele possa cometer algum erro. Por isso, é necessário que esses conjunto de dados sejam o mais próximo de ótimos quanto possível. Este trabalho faz uma análise da redução de atributos de um conjunto de dados de 85 atributos com o algoritmo Random Tree usando entropia e ganho de informação. Os resultados mostram que é possível ter um conjunto de dados menor e mesmo assim garantir uma eficácia na classificação do tráfego. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Ponta Grossa | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Departamento Acadêmico de Informática | - |
| Publicador: dc.publisher | Ciência da Computação | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-sa/4.0/ | - |
| Palavras-chave: dc.subject | Ciberterrorismo | - |
| Palavras-chave: dc.subject | Redes de computadores | - |
| Palavras-chave: dc.subject | Inteligência artificial | - |
| Palavras-chave: dc.subject | Otimização estrutural | - |
| Palavras-chave: dc.subject | Cyberterrorism | - |
| Palavras-chave: dc.subject | Computer networks | - |
| Palavras-chave: dc.subject | Artificial intelligence | - |
| Palavras-chave: dc.subject | Structural optimization | - |
| Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
| Título: dc.title | Otimização de dados para detecção de ataques DDoS | - |
| Título: dc.title | Data optimization for DDoS attack detection | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
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: