Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Araujo, Antonia Raiane Santos |
| 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=100966
|
Resumo: |
Internet das Coisas é uma rede crescente e que traz consigo um número expressivo de dispositivos com restrições heterogêneas, o que torna necessária a implementação de novos mecanismos que atendam aos pilares de Segurança da Informação. Para tanto, os algoritmos de aprendizagem de máquina visam otimizar o desempenho na realização de determinada tarefa através de reconhecimento de padrões, e têm sido amplamente adotados em muitas aplicações do mundo real devido sua natureza única de resolver problemas. Desta forma, é importante considerar o uso de técnicas como SVM (Support Vector Machine}, que tem ampla aplicação na detecção de anomalias supervisionadas. Além disso, o uso de Sistemas de Detecção de Intrusões (SDIs) baseados em Machine Learning visam definir padrões em dados que não estão em conformidade com o comportamento esperado. O objetivo desta dissertação é desenvolver um mecanismo de detecção de ataques botnets Mirai, em dispositivos IoT, e que tome como base aplicação das técnicas KNN (k-Nearest-Neighbor), SVM e LR (Logistic Regression). O mecanismo foi avaliado utilizando um conjunto de dados de tráfego de dispositivos IoT reais, obtendo resultados com 99% de precisão na detecção de ataques de Mirai Botnet. |
