Use este identificador para citar ou linkar para este item:
https://repositorio.ufu.br/handle/123456789/50132| Tipo do documento: | Trabalho de Conclusão de Curso |
| Tipo de acesso: | Acesso Aberto |
| Título: | Análise comportamental com aprendizado de máquina para detecção de atividades suspeitas em sistemas corporativos |
| Título(s) alternativo(s): | Behavioral analysis with machine learning for suspicious activity detection in corporate systems |
| Autor(es): | Rocha, Kayo Galdino Gomes |
| Primeiro orientador: | Rocha, Adriano Mendonça |
| Primeiro membro da banca: | Tuma, Carlos Cesar Mansur |
| Segundo membro da banca: | Natal, Igor da Penha |
| Resumo: | Este trabalho propõe e implementa um sistema de análise comportamental com Aprendizado de Máquina para detecção de atividades suspeitas em um software de gerenciamento de corretagem de café. O objetivo é verificar se modelos de classificação supervisionada, implementados com TensorFlow.js, superam métodos tradicionais baseados em regras estáticas na identificação de comportamentos potencialmente maliciosos dos usuários. Para isso, foi desenvolvido um sistema composto por duas camadas: um backend em Node.js com Express e SQLite, responsável pelo treinamento do modelo, e um frontend em React com TypeScript, responsável pela inferência em tempo real no navegador. O modelo utiliza uma rede neural densa com 4.993 parâmetros, treinada sobre um conjunto de 10.000 amostras sintéticas distribuídas em oito perfis comportamentais, a partir de 30 features numéricas organizadas em três categorias: ambiente, comportamento e contexto. O sistema incorpora um mecanismo de Human-in-the-Loop que permite ao administrador revisar incidentes, confirmar ou descartar ameaças e alimentar o re-treinamento incremental do modelo. Nos experimentos, o modelo alcançou F1-Score de 99,68% contra 82,16% do baseline de regras estáticas, o que corresponde a uma melhoria relativa de 21,3% e a uma diferença absoluta de 17,52 pontos percentuais. A diferença mais expressiva foi observada na revocação: o modelo detectou 99,48% das ações suspeitas, enquanto as regras detectaram apenas 71,98%, deixando escapar aproximadamente 28% das ameaças. A matriz de confusão do modelo apresentou apenas 4 falsos negativos em 1.500 amostras de teste, contra 216 do baseline. Os resultados permitem rejeitar a hipótese nula de equivalência entre as duas abordagens no cenário avaliado, com duas ressalvas: os dados são sintéticos e separáveis por construção, e o baseline foi definido no próprio trabalho. |
| Abstract: | This work proposes and implements a behavioral analysis system using Machine Learning for detecting suspicious activities in a coffee brokerage management software. A supervised classification model built with TensorFlow.js is compared against a static rules baseline. The system combines a Node.js/Express/SQLite backend for model training with a React/TypeScript frontend for real-time browser-side inference. A dense neural network with 4,993 trainable parameters was trained on 10,000 synthetic samples across eight behavioral profiles using 30 numerical features. A Human-in-the-Loop mechanism allows administrators to review incidents and feed incremental retraining. The model achieved an F1-Score of 99.68% against 82.16% for the baseline, with recall of 99.48% versus 71.98%, producing only 4 false negatives in 1,500 test samples compared to 216 for the baseline. Results reject the null hypothesis of equivalence between the two approaches, with the caveat that data are synthetic and the baseline was defined within the work itself. Keywords: Machine Learning, Behavioral Analysis, Supervised Classification, Information Systems Security, Anomaly Detection. |
| Notas: | Código-fonte do sistema disponível em: https://github.com/KAYOKG/PROJETO-TCC-UFU |
| Palavras-chave: | Aprendizado de máquina Machine learning Análise comportamental Behavioral analysis Classificação supervisionada Supervised classification Segurança de sistemas de informação Information systems security Detecção de anomalias Anomaly detection |
| Área(s) do CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| País: | Brasil |
| Editora: | Universidade Federal de Uberlândia |
| Referência: | ROCHA, Kayo Galdino Gomes. Análise comportamental com aprendizado de máquina para detecção de atividades suspeitas em sistemas corporativos. 2026. 58 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal de Uberlândia, Monte Carmelo, 2026. |
| URI: | https://repositorio.ufu.br/handle/123456789/50132 |
| Data de defesa: | 31-Jul-2026 |
| Aparece nas coleções: | TCC - Sistemas de Informação (Monte Carmelo) |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| AnaliseComportamentalAprendizado.pdf | Trabalho de Conclusão de Curso | 3.9 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.