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 | Bernadini, Flávia Cristina | - |
Autor(es): dc.contributor | Meza, Edwin Benito Mitacc | - |
Autor(es): dc.contributor | Sousa, Leandro Soares de | - |
Autor(es): dc.creator | Alves, Cláudio André da Silva | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:44:48Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:44:48Z | - |
Data de envio: dc.date.issued | 2024-07-08 | - |
Data de envio: dc.date.issued | 2024-07-08 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/33090 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/756669 | - |
Descrição: dc.description | Garantir a proteção em redes de computadores ´e uma tarefa cada vez mais difícil devido ao enorme número e variabilidade das ameaças encontradas atualmente. Intrusion Detection System (IDS) ou sistemas de detecção de invasão são utilizados para assegurar a segurança da informação, em redes de computadores, para qualquer conteúdo que tenha valor para uma pessoa ou empresa. Sistemas de detecção de invasão monitoram computadores ou redes de computadores buscando identificar atividades maliciosas ou acessos n˜ao autorizados. Um sistema de detecção de invasão baseado em rede realiza a detecção, capturando os pacotes da rede, analisando os cabeçalhos, carga útil e compara com padrões ou assinaturas conhecidas. A base de dados utilizada ´e proveniente de uma publicação acadêmica onde o tráfego de rede de um laboratóio experimental foi capturado e rotulado como normal ou anormal. O amadurecimento da internet das coisas (Internet of Things - IoT), exigir´a soluções cada vez mais eficientes para comportar o crescente número de dispositivos conectados. Nesse estudo foi avaliado como algoritmos online podem auxiliar os sistemas de detecção de invasão, que analisam o tráfego da rede que utilizam a técnica de detecção baseada em anomalia, onde basicamente os IDS classificam o tráfego de rede como normal ou anormal. O aprendizado online ´e caracterizado pela contínua atualização do classificador ao contrário do aprendizado de máquina em lote onde a fase de treinamento, isto ´e, cria¸c˜ao do classificador ´e realizada uma vez. Além de estudar a aplicabilidade do aprendizado online em sistemas de detecção de invasão, objetiva-se averiguar se em relação ao tempo de processamento, os algoritmos online s˜ao mais eficientes do que os algoritmos em lote. A aplicação do aprendizado online, resultou em uma diminuição considerável, cerca de 46%, no tempo necessário para concluir o processo de treinamento. Essa redução no tempo de treinamento, praticamente n˜ao impactou os resultados obtidos em compara¸c˜ao com a publica¸c˜ao original que disponibilizou a base de dados | - |
Descrição: dc.description | Ensuring protection in computer networks is an increasingly difficult task because of the sheer number and variability of threats currently encountered. Intrusion Detection Systems (IDS) is usually used to ensure the security of information, including any contenet that has value to a person or company, in computer networks are intrusion detection systems. Intrusion Detection Systems monitor computers or computer networks to identify malicious acti- vity or unauthorized acess. A network based intrusion detection system performs detection by capturing network packets, analyzing headers, payload field and compares with standards or signatures known. The used database comes from ana academic publication, where network traffic from an experimental laboratory was captured and labeled as normal or abnormal. The maturing of the Internet of Things (IoT) will require efficient solutions to accommodate the growing number of connected devices. In this study we evaluated how online learning algorithms can help the intrusion detection systems that analyze the network traffic using the anomaly based detection technique, where IDS basically classifies the network traffic as normal or abnormal. Online learning is characterized by continuous upgrading of the classifier as opposed to batch machine learning where the training phase, i.e. classifier creation is performed once. In addition to studying the applicability of online learning in intrusion detection systems, we aim to investigate whether in terms of processing time, online algorithms are more efficient than batch algorithms. The application of online learning has resulted in a considerable decrease, about 46 %, in the time required to complete the training process. This reduction in training time practically did not impact the results obtained in comparison with the original publication that made available the database | - |
Descrição: dc.description | 53 p. | - |
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 online | - |
Palavras-chave: dc.subject | Sistemas de detecção de invasão | - |
Palavras-chave: dc.subject | Redes Wi-fi | - |
Palavras-chave: dc.subject | Segurança da informação | - |
Palavras-chave: dc.subject | Online learning | - |
Palavras-chave: dc.subject | Intrusion Detection System (IDS) | - |
Palavras-chave: dc.subject | Wireless Networks | - |
Título: dc.title | Avaliação do aprendizado online na detecção de invasão em redes sem fio | - |
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: