Banca de DEFESA: Moises Silva de Sousa

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Moises Silva de Sousa
DATA : 20/12/2023
HORA: 08:30
LOCAL: https://teams.microsoft.com/l/meetup-join/19%3a0a9998084fcc459f92b72fb6608767f7%40thread.tacv2/17030
TÍTULO:

O uso da engenharia de atributos para otimizar o desempenho de modelos de aprendizado de máquina supervisionado aplicados a sistemas de detecção de intrusão.

PALAVRAS-CHAVES:

Cibersegurança, Feature Engineering, CFS Subset, Information Gain, Correlation, SVM, Inteligência Artificial, Anomalia de rede.

PÁGINAS: 106
RESUMO:

O uso de técnicas de aprendizado de máquina (ML) para a construção de sistemas de detecção de intrusão (IDS) vem crescendo a cada ano. Numerosas tecnologias de ML surgiram, permitindo construir modelos preditivos de aprendizado para identificar e detectar anomalias de tráfego de rede. Parte das técnicas de ML é uma abordagem não parametrizada, extraindo dados de grandes conjuntos de dados de forma indiscriminada que inclui dados irrelevantes e redundantes, afetando negativamente o de-sempenho dos algoritmos de classificação de ML. No entanto, é possível fornecer a uma técnica de ML a capacidade de extrair dados adequadamente do conjunto de dados selecionando um subconjunto apropri-ado de atributos, ou seja, por meio de engenharia de atributos (FE – feature engineering), que permite melhorar o desempenho da extração de dados, processos de ML de formação e classificação. Este trabalho discute como a engenharia de atributos pode ser usada para melhorar os processos de ML em sistemas IDS. Em particular, demonstra que com uma seleção adequada de atributos, o processo de treinamento pode ser reduzido, melhorando a velocidade de processamento e mantendo a precisão de classificação desejada. Os experimentos de avaliação de desempenho são baseados na plataforma de software WEKA usando os conjuntos de dados NSL-KDD e CID-IDS, além do SupportVector Machine (SVM) como algoritmo de classificação de aprendizado de má-quina. Utilizando diferentes razões de divisão testetreinamento de dados (60-40, 70- 30 e 80- 20) e técnicas de seleção de atributos (Information Gain, Correlation e Correlationbased Feature Selection – CFS) este trabalho alcança resultados que permitem entender como a engenharia de atributos pode impactar positivamente o desempenho de um sistema ML-IDS

MEMBROS DA BANCA:
Interno - 2311780 - FABIO LUCIO LOPES DE MENDONCA
Interno - 2556078 - GEORGES DANIEL AMVAME NZE
Externo à Instituição - LEANDRO ALVES NEVES - UNESP
Presidente - 330495 - WILLIAM FERREIRA GIOZZA