Detecção de novidade para sistemas de detecção de intrusão
Fluxo de dados, detecção de novidade, detecção de intrusão, surgimento de novas classes
No contexto do aumento da conectividade das redes de computadores e da crescente sofisticação dos ataques cibernéticos, a detecção de intrusão tornou-se um desafio cada vez mais crítico para a segurança das informações armazenadas e transmitidas. O tráfego dessas redes pode ser modelado como um fluxo contínuo de dados, onde os exemplos chegam de forma constante e a distribuição subjacente pode evoluir ao longo do tempo. Em tais fluxos, podem ocorrer fenômenos como mudanças de conceito em classes existentes ou o surgimento de novas classes. Este trabalho investiga técnicas desenvolvidas para a tarefa de Detecção de Novidade, que busca identificar padrões não explicados pelo modelo que representa o comportamento conhecido, aplicadas ao problema de detecção de intrusão. O objetivo da pesquisa é avaliar a capacidade de alguns algoritmos de identificar classes de ataques não presentes na fase de treinamento, enquanto buscam manter a precisão na classificação de classes já conhecidas. Para isso, foi realizada uma análise experimental com diferentes técnicas de Detecção de Novidades: ECSMiner, MINAS, SENCForest, KNNENS e Trident. Além da capacidade preditiva, também foram avaliados aspectos relacionados à eficiência computacional dos algoritmos. Os resultados mostraram que o SENCForest apresentou a maior agilidade na detecção inicial de novas classes de ataques e obteve o menor consumo de memória principal. Por outro lado, MINAS e Trident demonstraram maior viabilidade para operação em tempo real em redes de alto tráfego devido às suas taxa de processamento de amostras.