1. Repositório Institucional - Universidade Federal de Uberlândia
2. Faculdade de Computação (FACOM)
3. TCC - Ciência da Computação

Tipo do documento:	Trabalho de Conclusão de Curso
Tipo de acesso:	Acesso Aberto
Título:	Análise comparativa de modelos de aprendizado de máquina para detecção de ataques DDoS em ambientes IoT com seleção de features baseada em SHAP
Autor(es):	Matsushita, Vitor Yuji Federico
Primeiro orientador:	Molinos, Diego Nunes
Primeiro membro da banca:	Santos, Fernanda Maria da Cunha
Segundo membro da banca:	Natal, Igor da Penha
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.
Palavras-chave:	DDoS IoT Seleção de features Aprendizado de máquina SHAP Edge computing
Área(s) do CNPq:	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
País:	Brasil
Editora:	Universidade Federal de Uberlândia
Referência:	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.
URI:	https://repositorio.ufu.br/handle/123456789/49975
Data de defesa:	7-Ago-2026
Aparece nas coleções:	TCC - Ciência da Computação

Este item está licenciada sob uma Licença Creative Commons