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/123456789/47497
Full metadata record
DC FieldValueLanguage
dc.creatorAbreu, Gabriel Martins-
dc.date.accessioned2025-10-24T12:47:44Z-
dc.date.available2025-10-24T12:47:44Z-
dc.date.issued2025-09-19-
dc.identifier.citationABREU, 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.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/47497-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/us/*
dc.subjectSegurança de Redespt_BR
dc.subjectNetwork Securitypt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectMachine Learningpt_BR
dc.subjectAprendizado de Máquina Federadopt_BR
dc.subjectFederated Machine Learningpt_BR
dc.subjectFloresta Aleatóriapt_BR
dc.subjectRandom Forestpt_BR
dc.subjectUNSW-NB15pt_BR
dc.titleAnálise dos Efeitos do PCA e MDI nos Datasets UNSW-NB15 e NSL-KDD, Visando a Federação de Máquinas de Aprendizadopt_BR
dc.title.alternativeAnalysis of the Effects of PCA and MDI on the UNSW-NB15 and NSL-KDD Datasets Aiming at Federated Machine Learningpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor-co1Fernandes, Márcia Aparecida-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/8946715881289701pt_BR
dc.contributor.advisor1Faina, Luis Fernando-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0242166091176964pt_BR
dc.contributor.referee1Coelho, Paulo Rodolfo da Silva Leite-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8115351564191626pt_BR
dc.contributor.referee2Garcia, Luis Paulo Faina-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1607852138156562pt_BR
dc.contributor.referee3Miani, Rodrigo Sanches-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/2992074747740327pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoEste 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 modernospt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.sizeorduration93pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
Appears in Collections:TCC - Ciência da Computação

Files in This Item:
File Description SizeFormat 
AnáliseEfeitosPCA.pdfTCC1.98 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons