Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/29831
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2021_MatheusSiadeFerreira_tcc.pdfTrabalho de conclusão de curso1,06 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorCafé, Daniel Chaves-
dc.contributor.authorFerreira, Matheus Siade-
dc.identifier.citationFERREIRA, Matheus Siade. Detecção de DDoS por aprendizado de máquina. 2021. 53 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2021.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021.pt_BR
dc.description.abstractAtaques DDoS são uma ameaça disruptiva ao funcionamento de diversos sistemas online em um mundo progressivamente mais dependente da internet em seu cotidiano. O au mento recente na intensidade e complexidade destes ataques torna o desenvolvimento de melhores práticas de prevenção e mitigação necessário para a manutenção da estabilidade do fornecimento de serviços online. Este trabalho tem como objetivo a análise de métodos de aprendizado de máquina na detecção de fluxos de rede anômalos, utilizando algorit mos como K-nn, SVM, florestas randômicas, árvores de decisão e redes neurais para a classificação de tráfego com base em dois conjuntos de dados distintos, o NSL_KDD e o CiCDDoS 2019. Para a criação dos modelos foram selecionados alguns atributos de cada dataset, com a performance sendo avaliada com base em subdivisões dos dados em conjuntos de treino e teste. Os resultados obtidos chegaram a uma acurácia de até 99.9% na separação dos dados anômalos contidos nos conjuntos, com algoritmos como Florestas Randômicas e Árvores de decisão alcançando os melhores valores. Para trabalhos futuros, um classificador com base em Machine Learning pode ser combinado a um analisador de tráfego em tempo real para a separação de fluxos anômalos.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAtaques cibernéticospt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordAprendizado do computadorpt_BR
dc.subject.keywordServidores da Webpt_BR
dc.titleDetecção de DDoS por aprendizado de máquinapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2022-02-09T13:52:50Z-
dc.date.available2022-02-09T13:52:50Z-
dc.date.submitted2021-05-26-
dc.description2DDoS attacks are a disruptive threat to the availability of online services in a world ever more dependent on the internet for performing daily tasks. The recent increase in complexity and frequency of these attacks points to the need of better and more reliable prevention and mitigation techniques as to maintain the stability of these services. This work aims to analyze the performance of machine learning techniques for anomaly de tection in DDoS attacks by testing the classification performance of algorithms as K-nn, SVM, Random Forests, Decision Trees and Neural Networks in two separate datasets: NSL_KDD and CiCDDoS 2019. The process of training the ML models consisted of pre-processing, splitting the data in training and test sets, feature selection, training the models, and evaluating their performance as to the tests sets. Results of up to 99.9% accuracy were obtained in the detection of anomalous instances in the datasets in which Random Forests and Decision Trees were the highest rated classifiers. For future works, a machine learning based classifier could be implemented alongside a real-time traffic analyzer for DDoS detection.pt_BR
dc.identifier.urihttps://bdm.unb.br/handle/10483/29831-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1DDoS attacks are a disruptive threat to the availability of online services in a world ever more dependent on the internet for performing daily tasks. The recent increase in complexity and frequency of these attacks points to the need of better and more reliable prevention and mitigation techniques as to maintain the stability of these services. This work aims to analyze the performance of machine learning techniques for anomaly de tection in DDoS attacks by testing the classification performance of algorithms as K-nn, SVM, Random Forests, Decision Trees and Neural Networks in two separate datasets: NSL_KDD and CiCDDoS 2019. The process of training the ML models consisted of pre-processing, splitting the data in training and test sets, feature selection, training the models, and evaluating their performance as to the tests sets. Results of up to 99.9% accuracy were obtained in the detection of anomalous instances in the datasets in which Random Forests and Decision Trees were the highest rated classifiers. For future works, a machine learning based classifier could be implemented alongside a real-time traffic analyzer for DDoS detection.pt_BR
Aparece na Coleção:Engenharia da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.