Publicação: Análise comparativa de modelos de aprendizado de máquina para detecção de ataques DDoS em ambientes IoT com seleção de features baseada em SHAP
Carregando...
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
Orientador
Coorientador
Resumo
Este trabalho realiza um estudo comparativo sobre os efeitos da seleção de
atributos orientada por interpretabilidade SHAP (\textit{SHapley Additive
exPlanations}) no desempenho de classificadores supervisionados de
aprendizado de máquina aplicados à detecção de ataques de Negação de
Serviço Distribuída (DDoS) em ambientes de Internet das Coisas (IoT). O
interesse nesse cenário decorre das restrições de capacidade de
processamento, memória e da grande heterogeneidade de dispositivos
característicos desse tipo de rede, fatores que dificultam a adoção direta
de soluções de segurança tradicionais. Foram avaliados cinco algoritmos de
aprendizado supervisionado -- Árvore de Decisão, Floresta Aleatória
(\textit{Random Forest}), Máquina de Vetores de Suporte (SVM), AdaBoost e
Perceptron de Múltiplas Camadas (MLP) -- treinados sobre um subconjunto
balanceado do \textit{dataset} CICIoT2023, submetido a um processo de
higienização numérica e balanceamento amostral prévio. A técnica SHAP foi
empregada não apenas como ferramenta de interpretabilidade \textit{post-hoc},
mas como critério de consenso entre os cinco modelos para ranquear e
selecionar subconjuntos reduzidos de características (Top 5, Top 10 e Top
15), permitindo comparar o desempenho de cada classificador em função do
número de atributos utilizados. Os resultados experimentais indicam que o
subconjunto de 10 características representa um ponto de equilíbrio entre
desempenho preditivo e redução da dimensionalidade do problema para a
maioria dos modelos avaliados, com a Floresta Aleatória apresentando o
melhor desempenho global (acurácia de 99,80\%) com variação inferior a 0,1 ponto percentual mesmo nos subconjuntos reduzidos. Os resultados evidenciam, ainda, a sensibilidade de
classificadores baseados em margens geométricas (SVM) à ausência de
normalização das variáveis de entrada, em contraste com a robustez
observada nos modelos baseados em árvore. Conclui-se que o consenso entre
valores SHAP de múltiplos modelos constitui uma estratégia viável de
seleção de atributos para problemas de classificação de tráfego de rede,
contribuindo para a discussão sobre o uso de técnicas de interpretabilidade
como apoio à engenharia de atributos em cenários de recursos computacionais
restritos.
Abstract
Palavras-chave
DDoS, IoT, Seleção de features, Aprendizado de máquina, SHAP, Edge computing
Citação
MATSUSHITA, Vitor Yuji Federico. Análise comparativa de modelos de aprendizado de máquina para detecção de ataques DDoS em ambientes IoT com seleção de features baseada em SHAP. 2026. 94 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2026.
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