1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Sistemas de Informação (Uberlândia)
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/46188
Full metadata record
DC FieldValueLanguage
dc.creatorAniceto, Breno Palma Miele-
dc.date.accessioned2025-06-23T13:08:33Z-
dc.date.available2025-06-23T13:08:33Z-
dc.date.issued2025-05-14-
dc.identifier.citationANICETO, Breno Palma Miele. Um estudo baseado em aprendizado de máquina e SHAP para detecção de ataques DDoS utilizando o Dataset CICDDoS2019. 57f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2025.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/46188-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectDetecção de ataques DDoSpt_BR
dc.subjectSegurança de redespt_BR
dc.subjectSHAPpt_BR
dc.subjectInteligência artificial explicávelpt_BR
dc.subjectCIC-DDoS2019pt_BR
dc.titleUm estudo baseado em aprendizado de máquina e SHAP para detecção de ataques DDoS utilizando o Dataset CICDDoS2019pt_BR
dc.title.alternativeA machine learning and SHAP based study for DDoS attack detection using the CICDDoS2019 datasetpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Molinos, Diego Nunes-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2451163675391898pt_BR
dc.contributor.referee1Miani, Rodrigo Sanches-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2992074747740327pt_BR
dc.contributor.referee2Santos, Fernanda Maria da Cunha-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6802596562404346pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoEste trabalho propôs um mecanismo de detecção de ataques DDoS baseado em aprendi zado de máquina, utilizando o dataset CICDDoS2019, com foco na análise de fluxo de rede e na redução da complexidade dos modelos. Foram avaliados cinco algoritmos super visionados (Decision Tree, C4.5, Random Forest, XGBoost e MLP) por meio de métricas como F1-Score, AUC e análise de explicabilidade com SHAP. Após pré-processamento, que incluiu remoção de features redundantes e tratamento de desbalanceamento, os mode los baseados em árvores (Random Forest e XGBoost) alcançaram os melhores resultados, com F1-Score de 0,9995 e AUC próximo de 1,0. A análise SHAP revelou que features como ACK Flag Count e Fwd Packet Length Min são as mais influentes na detecção de tráfego malicioso. Conclui-se que o Random Forest é o modelo mais eficiente, equilibrando desempenho, estabilidade e interpretabilidade, enquanto o XGBoost, embora mais pre ciso, apresenta maior complexidade devido à abordagem binária adotada, que abrange diferentes tipos de ataques DDoSpt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration57pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.orcid.putcode186561922-
Appears in Collections:TCC - Sistemas de Informação (Uberlândia)

Files in This Item:
File Description SizeFormat 
EstudobaseadoAprendizado.pdf7.03 MBAdobe PDFThumbnail
View/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.