Publicação:
Aplicação de Inteligência Artificial Explicável no Contexto de Detecção de Intrusão em Dispositivos IoT

Página do item simplificado
dc.contributor.advisor1Miani, Rodrigo Sanches
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2992074747740327pt_BR
dc.contributor.referee1Molinos, Diego Nunes
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2451163675391898pt_BR
dc.contributor.referee2Santos, Fernanda Maria da Cunha
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6802596562404346pt_BR
dc.creatorEsteves, João Pedro Ramires
dc.creator.Latteshttps://lattes.cnpq.br/4899321872055733pt_BR
dc.date.accessioned2025-07-18T12:00:01Z
dc.date.available2025-07-18T12:00:01Z
dc.date.issued2025-05-13
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoA crescente adoção de dispositivos inteligentes em ambientes como redes domésticas le- vanta a necessidade de considerações de segurança em seu entorno, assim tornando im- portantes sistemas que possam ajudar a assegurar a segurança cibernética dos mesmos. Circunscrito a esse desafio, este trabalho investiga a aplicação de técnicas de Inteligência Artificial Explicável (XAI) para promover maior transparência de sistemas de detecção de intrusão (IDSs) em dispositivos Internet das Coisas (IoT). Utilizando do conjunto de dados CICIoT2023, foram feitas análises exploratórias e pré-processamento dos dados, seguida da seleção e treinamento de oito modelos de aprendizado de máquina, dentre os quais XGBoost se destacou em termos de performance. Para diferenciação entre tráfego normal e de ataque, alcançou 86% de acurácia, e para separar não somente anomalias, mas também seu tipo, obteve 77%, com ressalvas em categorias minoritárias. Empregou-se a técnica SHAP de explicações para análise de contribuições globais e locais das variáveis nas decisões desses modelos, que revelaram dependências ambíguas e potenciais vieses - o protocolo https apresentou influência contraditória, ora elevando a probabilidade de trá- fego benigno, ora contribuindo para falsos positivos de ataque; a métrica min oscilou entre reforçar decisões de ataque e benigno dependendo do caso. Caminhos futuros apontados direcionam-se no sentido de engenharia de atributos e seleção de variáveis.pt_BR
dc.identifier.citationESTEVES, João Pedro Ramires. Aplicação de Inteligência Artificial Explicável no Contexto de Detecção de Intrusão em Dispositivos IoT. 2025. 54 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2025.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/46428
dc.languageporpt_BR
dc.orcid.putcode188226162
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/us/*
dc.sizeorduration54pt_BR
dc.subjectInternet das Coisaspt_BR
dc.subjectInteligência Artificialpt_BR
dc.subjectSistemas de Detecção de Intrusãopt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectInteligência Artificial Explicávelpt_BR
dc.subjectSHAPpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleAplicação de Inteligência Artificial Explicável no Contexto de Detecção de Intrusão em Dispositivos IoTpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dspace.entity.typePublication

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AplicaçãoInteligênciaArtificial.pdf
Tamanho:
11.81 MB
Formato:
Adobe Portable Document Format
Descrição:
TCC
Baixar

Coleções

TCC - Ciência da Computação