1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Ciência da Computação
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/47273
Full metadata record
DC FieldValueLanguage
dc.creatorGonçalves, Eduardo Ribeiro-
dc.date.accessioned2025-10-02T16:40:43Z-
dc.date.available2025-10-02T16:40:43Z-
dc.date.issued2025-09-22-
dc.identifier.citationGONÇALVES, Eduardo Ribeiro. Um estudo sobre a generalização de ataques de negação de serviço em sistemas de detecção de intrusão. 2025. 56 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/123456789/47273-
dc.description.sponsorshipPesquisa sem auxílio de agências de fomentopt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectInteligência artificialpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectSistemas de detecção de intrusãopt_BR
dc.subjectFloresta aleatóriapt_BR
dc.subjectCICIDS2017pt_BR
dc.titleUm estudo sobre a generalização de ataques de negação de serviço em sistemas de detecção de intrusãopt_BR
dc.title.alternativeA study on the generalization of denial-of-service attacks in intrusion detection systemspt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
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.referee2Sendin, Ivan da Silva-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3974513105953302pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoCom o aumento do tráfego de Internet e, consequentemente, dos ataques em redes de computadores, soluções como Sistemas de Detecção de Intrusão (IDS) vêm sendo utiliza- das para mitigar esses problemas. Diversos trabalhos na literatura utilizam Aprendizado de Máquina para avaliar se modelos conseguem identificar ataques. Este trabalho ana- lisa modelos treinados com o conjunto CICIDS2017 e com um conjunto experimental em um ambiente de máquinas virtuais, denominado “UFUIDSDOS2025”, contendo tráfego normal e ataques de Negação de Serviço (DoS), investigando suas capacidades de ge- neralização, ou seja, sua habilidade de manter bom desempenho ao classificar dados de cenários distintos daquele em que foi treinado. Foram feitas análises exploratórias, pro- cessamento dos dados, e o treinamento de um modelo com o CICIDS2017, utilizando o algoritmo Floresta Aleatória (RF), que obteve altos resultados em métricas como preci- são, revocação e medida-F1. Contudo, ao ser avaliado com o conjunto UFUIDSDOS2025, apresentou desempenho muito baixo. Por outro lado, o modelo treinado com o conjunto experimental obteve bons resultados na sua validação, e ao ser validado com amostras do CICIDS2017, conseguiu detectar ataques DoS, embora com alto número de falsos po- sitivos. Para investigar as causas da baixa performance, aplicaram-se técnicas de análise das Árvores de Decisão em ambos os modelos. As análises evidenciaram divergências nos caminhos percorridos pelas árvores ao classificar amostras de cada conjunto, resultando em decisões distintas, associadas a variáveis específicas.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.sizeorduration56pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.orcid.putcode193382753-
Appears in Collections:TCC - Ciência da Computação

Files in This Item:
File Description SizeFormat 
EstudoGeneralizaçãoAtaques.pdf6.81 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons