| Título: | EFC : um estudo de sensibilidade de hiperparâmetros |
| Autor(es): | Luz, Álvaro Veloso Cavalcanti |
| Orientador(es): | Gondim, João José Costa |
| Assunto: | Algoritmos de computador
Redes de computação - medidas de segurança |
| Data de apresentação: | 16-Jul-2025 |
| Data de publicação: | 23-Out-2025 |
| Referência: | LUZ, Álvaro Veloso Cavalcanti. EFC: um estudo de sensibilidade de hiperparâmetros. 2025. 59 f., il. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2025. |
| Resumo: | O Energy-Based Flow Classifier (EFC) é um modelo de classificação de fluxos de rede fundamentado em estatística inversa, inspirado no modelo de Potts, e originalmente proposto para aplicações em sistemas de detecção de intrusão. Apesar de sua aplicabilidade comprovada em diferentes contextos, a literatura carece de estudos que investiguem a sensibilidade do modelo à variação de seus hiperparâmetros. Este trabalho propõe uma análise sistemática do impacto dos principais hiperparâmetros do EFC — o limiar quantílico de classificação, o número de níveis de discretização e os pesos de pseudocontagens — sobre seu desempenho em tarefas de classificação binária e multiclasse. Utilizando os conjuntos de dados CICIDS2017 e CICDDoS2019, foram conduzidos experimentos com múltiplas combinações de valores para esses parâmetros. Os resultados obtidos são discutidos com base nas métricas AUC-ROC e F1-Score, permitindo propor diretrizes para uma calibragem mais eficiente do modelo, otimizando sua precisão e robustez. |
| Abstract: | The Energy-Based Flow Classifier (EFC) is a network flow classification model based on inverse statistical mechanics, inspired by the Potts model, and originally proposed for use in intrusion detection systems. Although its effectiveness has been demonstrated across various domains, few studies have addressed the sensitivity of the model to changes in its hyperparameters. This work presents a systematic analysis of the impact of key EFC hyperparameters — quantilic classification threshold, discretization levels, and pseudocount weights — on its performance in both binary and multiclass classification tasks. Experiments were conducted using the CICIDS2017 and CICDDoS2019 datasets, testing multiple parameter configurations. The results, evaluated through AUC-ROC and F1-Score metrics, support the proposal of guidelines for a more effective hyperparameter tuning strategy, enhancing both accuracy and robustness of the model. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2025. |
| Licença: | A 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. |
| Aparece na Coleção: | Ciência da Computação
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
