1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Ciência da Computação
Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufu.br/handle/123456789/49975
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.creatorMatsushita, Vitor Yuji Federico-
dc.date.accessioned2026-08-28T18:23:54Z-
dc.date.available2026-08-28T18:23:54Z-
dc.date.issued2026-08-07-
dc.identifier.citationMATSUSHITA, 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.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/49975-
dc.description.sponsorshipUFU - Universidade Federal de Uberlândiapt_BR
dc.language.isopt_BRpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectDDoSpt_BR
dc.subjectIoTpt_BR
dc.subjectSeleção de featurespt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectSHAPpt_BR
dc.subjectEdge computingpt_BR
dc.titleAnálise comparativa de modelos de aprendizado de máquina para detecção de ataques DDoS em ambientes IoT com seleção de features baseada em SHAPpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Molinos, Diego Nunes-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2451163675391898pt_BR
dc.contributor.referee1Santos, Fernanda Maria da Cunha-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/6802596562404346pt_BR
dc.contributor.referee2Natal, Igor da Penha-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/4275771362524151pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoEste 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.sizeorduration94pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
Aparece en las colecciones:TCC - Ciência da Computação

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
AnáliseComparativaModelos.pdf16.48 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons