Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Leoncio Junior, Antonio Helder Gomes |
| 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: |
Universidade Estadual do Ceará
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Link de acesso: |
https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=115953
|
Resumo: |
Com o crescimento da IoT e a sua aceitação no meio tecnológico, uma discussão a ser levantada são as invasões nestes dispositivos, o que torna necessária a implementação de novos controles para garantir a segurança da informação. Esse crescimento vem acompanhado de um aumento significativo nas ameaças cibernéticas, bem como de atrasos na detecção. Consequentemente, o uso de técnicas de inteligência artificial, especialmente aprendizado de máquina e algoritmos bioinspirados, como o ACO e GA, torna-se essencial para melhorar a segurança da IoT, identificando anomalias. Este pesquisa propõe uma estratégia de seleção de características, denominada D-ACO/GA, para ambientes IoT. A abordagem proposta utiliza ACO e GA com técnicas de classificação de aprendizado de máquina supervisionado. Assim, ACO e GA são aplicados na seleção de subconjuntos de dados, visando a identificação das melhores características para a detecção de anomalias. Através desta estratégia, alcançamos uma precisão média de 99,26% para ACO, e de 98,80% para o GA com o conjunto de dados N-BaIoT. |
