Publicação: Análise dos Efeitos do PCA e MDI nos Datasets UNSW-NB15 e NSL-KDD, Visando a Federação de Máquinas de Aprendizado
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Fernandes, Márcia Aparecida
Resumo
Este trabalho apresenta uma análise detalhada dos datasets UNSW-NB15 e NSL-KDD, com o objetivo de avaliar o impacto de diferentes técnicas de pré-processamento no desempenho de modelos de Inteligência Artificial Random Forest (RF) e Multilayer Perceptron (MLP), aplicados à detecção de intrusões (Intrusion Detection Systems – IDS). Foram aplicadas técnicas de normalização (Min-Max e Z-Score) e redução de dimensionalidade (PCA e MDI), além da realização de experimentos de avaliação cruzada e treinamento conjunto entre os dois datasets, buscando analisar a viabilidade de integração federada entre modelos treinados em domínios distintos.
Os resultados mostram que o NSL-KDD, apesar de mais antigo e simples, produz resultados consistentes, enquanto o UNSW-NB15, mais realista e heterogêneo, apresenta maior desafio de generalização. A aplicação das técnicas de pré-processamento mostrou-se essencial para estabilizar o aprendizado e reduzir a redundância dos dados. Nos experimentos de avaliação cruzada, observou-se que o treinamento conjunto entre ambos os conjuntos aumentou a capacidade de generalização dos modelos, comportamento análogo à fusão de conhecimento esperada em cenários de aprendizado federado.
Assim, este estudo contribui para o entendimento da relação entre pré-processamento, generalização e federação em IDS baseados em ML, oferecendo subsídios para o desenvolvimento de sistemas distribuídos mais robustos e alinhados à complexidade dos tráfegos de rede modernos
Abstract
Palavras-chave
Segurança de Redes, Network Security, Aprendizado de Máquina, Machine Learning, Aprendizado de Máquina Federado, Federated Machine Learning, Floresta Aleatória, Random Forest, UNSW-NB15
Citação
ABREU, Gabriel Martins. Análise dos Efeitos do PCA e MDI nos Datasets UNSW-NB15 e NSL-KDD, Visando a Federação de Máquinas de Aprendizado. 2025. 93 f. Trabalho de Conclusão de Curso (Graduação em Ciências da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2025.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto