Detecção preditiva de anomalias em redes de computadores com utilização de aprendizagem de máquina

• Ano de defesa: 2023
• Autor(a) principal: PAES, Domingos Sávio Faria
• Orientador(a): BATISTA, Bruno Guazzelli
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Ciência e Tecnologia da Computação
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Detecção de anomalias; Redes de computadores
• Área do conhecimento CNPq: CNPQ::CIÊNCIAS EXATAS E DA TERRA::CIÊNCIA DA COMPUTAÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3552

Com a dependência cada vez maior das tecnologias no dia a dia, fica evidente a preocupação em se manter as infraestruturas que dão suporte ao seu funcionamento, garantindo assim uma boa experiência ao usuário final. Assim, os ataques de negação de serviço, estão entre as principais causas de anomalias em redes de computadores, podendo causar uma degradação ou até mesmo a interrupção dos serviços. Nesse contexto, a aplicação de novas tecnologias, como a inteligência artificial ou o aprendizado de máquina, se tornam cada vez mais necessárias, para garantir mais agilidade na detecção dos problemas diminuindo seus impactos. Dessa forma, esse trabalho apresenta uma análise entre diferentes métodos de aprendizagem de máquina supervisionado classificador, aplicados aos dados coletados em equipamentos de rede, do tipo switch, de forma a detectar anomalias na infraestrutura de redes de uma instituição de ensino superior. Os métodos de aprendizado de máquina utilizados neste trabalho foram: Decision Tree, Random Forest, Extra Tree, Gradient Boosting, Extreme Gradient Boosting e Histogram Gradient Boosting. Os modelos gerados a partir desses métodos se mostraram promissores, sendo capaz de atingir resultados com 99.88% na métrica F1 Ponderada e 99,16% de Acurácia Balanceada. Outros pontos, como tempo de treinamento, tempo de predição e tamanho do arquivo de salvamento, também foram levados em consideração para a classificação do melhor método. Dada a importância das ferramentas de detecção de falhas, este trabalho contribui para a definição das melhores abordagens e assim permite que sejam elaboradas novas e mais eficientes ferramentas para esta finalidade.