Análise e predição de conjunto mínimo de permissões de acesso para computação em nuvem

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMattos, Diogo Menezes Ferrazani-
Autor(es): dc.contributorMedeiros, Dianne Scherly Varela de-
Autor(es): dc.contributorFerreira, Tadeu Nagashima-
Autor(es): dc.creatorBarros, Thaysa Santos Mathias de Medeiros-
Data de aceite: dc.date.accessioned2024-07-11T17:45:56Z-
Data de disponibilização: dc.date.available2024-07-11T17:45:56Z-
Data de envio: dc.date.issued2021-09-17-
Data de envio: dc.date.issued2021-09-17-
Data de envio: dc.date.issued2020-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/23244-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/757045-
Descrição: dc.descriptionA computação em nuvem mudou os paradigmas de como o mundo trata da infraestrutura de centro de dados. Isso ocorreu porque houve uma mudança no modelo tradicional, que é aquele em que os centros de dados são construídos e monitorados pelas próprias empresas, para o modelo da nuvem, que é aquele em que as empresas pagam pelos recursos utilizados e os mesmos são compartilhados, sendo a construção e gerenciamento dos centros de dados responsabilidade do provedor de nuvem. A computação em nuvem garante um modelo de entrega de recursos computacionais que possibilita o crescimento de pequenas, médias e grandes empresas, com o máximo de aproveitamento dos recursos, se for comparado com o modelo tradicional. Porém, esse modelo ainda apresenta o potencial de melhorar em alguns aspectos da segurança. Um deles é a forma como é feito o controle de acesso dos usuários às aplicações. Este trabalho analisa um conjunto de dados reais do registro de permissões realizadas por usuários que utilizam a computação em nuvem. A proposta busca agrupar privilégios semelhantes, comparando diversas técnicas de aprendizado de máquina. Os resultados dos experimentos mostram que os algoritmos supervisionados apresentam uma tendência a formar grupos com um número maior de elementos. Por outro lado, os algoritmos não supervisionados manifestam o comportamento oposto. Os algoritmos supervisionados apresentaram um rendimento semelhante. No entanto, é importante destacar que o algoritmo bayesiano apresenta um melhor rendimento em relação às médias das métricas utilizadas, podendo ser descrito pela medida F de aproximadamente 0.15, acurácia de 0.9 e Davies Boudin de 1.5-
Descrição: dc.descriptionCloud computing has changed the paradigms of how the world deals with data center infrastructure. This happened because there was a change from the traditional model, which is the one in which data centers were built and monitored by the companies themselves, to the cloud model, which is the one in which companies pay for the resources used and they are shared. The construction and management of the data centers are the responsibility of the cloud provider. Cloud computing technology guarantees a model for the delivery of computational resources, enabling the growth of small, medium and large companies, with maximum use of resources, if compared to the traditional model. However, this technology still has the potential to improve some aspects of security. One of them is the way in which users’ access to applications is controlled. This work analyzes the real dataset of the registration of permissions performed by users who use cloud computing. The proposal focuses on grouping similar privileges, comparing different machine learning techniques. The results of the experiments show that supervised algorithms have a tendency to form clusters with a larger number of elements. While unsupervised algorithms exhibit the opposite behavior. The supervised algorithms showed similar performance. However, it is important to highlight that the naive Bayes algorithm has a better performance compared to the metrics used, and can be described with the measure f of approximately 0.15, accuracy of 0.9 and Davies Boudin of 1.5-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal Fluminense-
Publicador: dc.publisherNiterói-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectControle de acesso-
Palavras-chave: dc.subjectComputação em nuvem-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectControle de acesso-
Palavras-chave: dc.subjectCloud computing-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectAccess control-
Título: dc.titleAnálise e predição de conjunto mínimo de permissões de acesso para computação em nuvem-
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.