Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufu.br/handle/123456789/50382| ORCID: |  http://orcid.org/0009-0003-4375-0581 |
| Tipo de documento: | Trabalho de Conclusão de Curso |
| Tipo de acceso: | Acesso Aberto |
| Título: | Detecção de intrusão em redes de computadores com aprendizado semi-supervisionado |
| Título (s) alternativo (s): | Intrusion detection in computer networks using semi-supervised learning |
| Autor: | Dias, Pedro Biagi |
| Primer orientador: | Paiva, Elaine Ribeiro de Faria |
| Primer miembro de la banca: | Miani, Rodrigo Sanches |
| Segundo miembro de la banca: | Paulino, Alessandra Aparecida |
| Resumen: | A crescente conectividade das redes de computadores ampliou a superfície de ataque e a frequência de ameaças cibernéticas, tornando os Sistemas de Detecção de Intrusão (IDS) essenciais para a segurança da informação. Um dos maiores desafios da área é a escassez de dados rotulados, já que ataques reais são raros e variáveis, o que limita os modelos supervisionados. Nesse cenário, o aprendizado semi-supervisionado se destaca por aproveitar grandes volumes de dados não rotulados. Este trabalho compara dois algoritmos semi-supervisionados aplicados à detecção de intrusão: o Label Propagation (LPA) e o Random Forest com Co-Training. Os experimentos foram conduzidos sobre a base CIC-IDS2017, realizando ocultações de amostras a fim de simular a escassez de rótulos, por meio de diferentes frações de dados rotulados, com particionamento estratificado. O desempenho foi avaliado por acurácia, precisão, revocação e F1-Score. Os resultados mostraram a superioridade do Co-Training, que manteve altos valores de F1-Score e revocação com apenas 1% de dados rotulados, aliado a baixo custo computacional. Já o LPA mostrou-se sensível ao desbalanceamento, dependente de maior supervisão e com elevado custo computacional. Conclui-se que, para a detecção de intrusão com poucos rótulos, o Random Forest com Co-Training oferece a melhor relação entre desempenho, robustez e eficiência. |
| Palabras clave: | Sistemas de detecção de intrusão Aprendizado de máquina Aprendizado semi-supervisionado Label propagation Co-training |
| Área (s) del CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO |
| País: | Brasil |
| Editora: | Universidade Federal de Uberlândia |
| Cita: | DIAS, Pedro Biagi. Detecção de intrusão em redes de computadores com aprendizado semi-supervisionado. 2026. 41 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal de Uberlândia, Uberlândia, 2026. |
| URI: | https://repositorio.ufu.br/handle/123456789/50382 |
| Fecha de defensa: | 4-ago-2026 |
| Aparece en las colecciones: | TCC - Sistemas de Informação (Uberlândia) |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| DetecçãoIntrusãoRedes.pdf | 573.3 kB | Adobe PDF |  Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.