Análise de desempenho com algoritmos de grupos de frequência aplicados em sistemas autonômicos para proteção de redes de computadores

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Luiz Arthur Feitosa dos-
Autor(es): dc.contributorCampiolo, Rodrigo-
Autor(es): dc.contributorGonçalves, Diego Bertolini-
Autor(es): dc.contributorSantos, Luiz Arthur Feitosa dos-
Autor(es): dc.creatorMorais, Vinícius Ribeiro-
Data de aceite: dc.date.accessioned2022-02-21T22:12:46Z-
Data de disponibilização: dc.date.available2022-02-21T22:12:46Z-
Data de envio: dc.date.issued2020-11-08-
Data de envio: dc.date.issued2020-11-08-
Data de envio: dc.date.issued2017-11-28-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/6034-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/670168-
Descrição: dc.descriptionOn the context of autonomic computing, there is a system called Of-IDPS that aims to detect and react to attacks from a network, by analyzing your usage history and security alerts autonomously, with the least possible human intervention. For this, in its architecture, the Of-IDPS depends of a unsupervised learning algorithm, related to frequent items mining, to generate security rules that are able to mitigate attacks that may affect the network through the generated security rules. Therefore, our work objective aims to improve Of-IDPS performance with the usage of differents items frequent mining algorithms, trying to improve the response time of Of-IDPS and consequently helping in the action against cyber threats. To analyze the performance, the evaluation of this algorithms was made using metrics like time and amount of memory spent in the execution of the algorithms. To verify the purpose of this research, the algorithms were submitted to synthetic databases, to be evaluated and preselected. After the preselection, the algorithms that got the best results were applied in the Of-IDPS, to be analyzed in a network scenario. In the experiments, the results obtained indicated the best algorithms, being these: Apriori, LCMFreq and FP-Growth. Applying these algorithms in the Of-IDPS resulted a 26% improvement in containment of malicious packets with the LCMFreq in comparison to FP-Growth. Besides that, the LCMFreq mitigated 81.81% of malicious packets in an analysis of the network scenario with and without the Of-IDPS, in other words, with the LCMFreq the mitigation of malicious packets was bigger and more faster than other algorithms. Thus, it was possible to affirm that there were improvements in the performance of the IDPS with the use of new algorithms of frequent items.-
Descrição: dc.descriptionNo contexto de computação autonômica, há um sistema chamado OpenFlow Intrusion Detection and Prevention System (Of-IDPS) que tem como objetivo detectar e reagir a ataques em redes analisando históricos de uso e alertas de segurança de forma autônoma com o mínimo de intervenção humana possível. Para isso, em sua arquitetura, o Of-IDPS depende de algoritmos de aprendizagem não-supervisionada relacionados à mineração de itens frequentes para gerar regras de segurança que são capazes de mitigar ataques que possam afetar a rede através das regras de segurança geradas. Assim, o objetivo deste trabalho visa melhorar o desempenho do Of-IDPS com o uso diferentes algoritmos de mineração de itens frequentes, para tentar melhorar o tempo de resposta do Of-IDPS e, consequentemente, ajudar no combate a ciberataques. Para analisar o desempenho, a avaliação destes algoritmos foi feita utilizando métricas como tempo e quantidade de memória gastos para a execução dos algoritmos. Para verificar o propósito desta pesquisa, os algoritmos foram submetidos a bases de dados sintéticas para serem avaliados e pré-selecionados. Após esta pré-seleção, os algoritmos que obtiveram os melhores resultados foram aplicados no Of-IDPS para serem analisados juntamente com um cenário de rede. Nos experimentos, obteve-se resultados que indicaram quais os melhores algoritmos, sendo esses: Apriori, LCMFreq e FP-Growth. Aplicando tais algoritmos no Of-IDPS, obteve-se uma melhora de 26% na contenção de pacotes maliciosos com o LCMFreq em comparação ao FP-Growth. Além disso, o LCMFreq mitigou 81,81% dos pacotes maliciosos em uma análise do cenário de rede com e sem a utilização do Of-IDPS, ou seja, com o LCMFreq a mitigação dos pacotes maliciosos foi maior e mais rápida em relação aos demais algoritmos. Por fim, foi possível afirmar que houve melhoras no desempenho do Of-IDPS com a utilização de novos algoritmos de frequência de itens.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCampo Mourao-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Computação-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectAlgorítmos computacionais-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectRedes de computadores-
Palavras-chave: dc.subjectProteção de dados-
Palavras-chave: dc.subjectComputer algorithms-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectComputer networks-
Palavras-chave: dc.subjectData protection-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleAnálise de desempenho com algoritmos de grupos de frequência aplicados em sistemas autonômicos para proteção de redes de computadores-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.