Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Januário, Lucas de Biaggi |
| 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 Paulista (Unesp)
|
| 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://hdl.handle.net/11449/216061
|
Resumo: |
Identificar anomalias tornou-se uma das principais estratégias para procedimentos de segurança e proteção em redes de computadores. No entanto, é uma tarefa desafiadora para os seres humanos, pois requer a avaliação de um grande volume de dados diários para descobrir um comportamento inesperado. Nesse contexto, os métodos baseados em aprendizado de máquina surgem como uma solução elegante para ajudar a identificar esses comportamentos. Além disso, técnicas inteligentes para remover informações irrelevantes de conjuntos de dados, ou seja, selecionar caracaterísticas, podem aumentar a eficiência e reduzir o tempo de processamento. Portanto, esta dissertação propõe uma nova abordagem de seleção de recursos chamada Finite Element Machine Feature Selection (FEMa-FS). O método utiliza elementos finitos, como a função inversa de Shepard, para identificar as características mais representativas em conjuntos de dados. Finalmente, o FEMa-FS seleciona as características mais relevantes para identificar anomalias no tráfego da rede, que são posteriormente empregadas para alimentar o classificador Optimum-Path-Forest. O método provou sua eficiência na redução de informações irrelevantes e pode aumentar a precisão da classificação em até 2%. |
