Detalhes bibliográficos
| Ano de defesa: |
2025 |
| Autor(a) principal: |
Rangel Neto, Digenaldo de Brito |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://repositorio.ifpb.edu.br/jspui/handle/177683/4228
|
Resumo: |
A amea?a de ataques DDoS ? camada de aplica??o est? aumentando rapidamente, ressaltando a necessidade de m?todos de detec??o eficazes para proteger sistemas em rede. Com invasores evoluindo constantemente suas t?cnicas, os esfor?os de seguran?a cibern?tica est?o se tornando mais desafiadores. Em resposta, a utiliza??o de tecnologias avan?adas de intelig?ncia artificial surge como um caminho promissor para refor?ar as defesas. Este estudo apresenta um esquema de detec??o utilizando aprendizado de m?quina e avalia seu desempenho utilizando ferramentas de big data, como processamento distribu?do e armazenamento escal?vel. Quatro algoritmos de classifica??o s?o avaliados quanto ? sua precis?o e tempo de execu??o na detec??o de ataques DDoS: Naive Bayes, Decision Tree, Logistic Regression e Random Forest. As descobertas preliminares sugerem a efic?cia do esquema, apresentando altos n?veis de precis?o e mantendo tempos de resposta razo?veis. Esta abordagem integrada,que combina an?lise de dados como uso de plataformas de big data para lidar com grandes volumes de tr?fego de rede e acelerar o processamento dos modelos de aprendizado de m?quina, mostra potencial para fortalecer as defesas contra amea?as cibern?ticas num cen?rio cada vez mais complexo e din?mico. |
