Detecção de intrusão em redes de computadores com aprendizado semi-supervisionado

Dias, Pedro Biagi

Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/50382

Full metadata record

DC Field	Value	Language
dc.creator	Dias, Pedro Biagi	-
dc.date.accessioned	2026-09-22T17:43:54Z	-
dc.date.available	2026-09-22T17:43:54Z	-
dc.date.issued	2026-08-04	-
dc.identifier.citation	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.	pt_BR
dc.identifier.uri	https://repositorio.ufu.br/handle/123456789/50382	-
dc.language.iso	pt_BR	pt_BR
dc.publisher	Universidade Federal de Uberlândia	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Sistemas de detecção de intrusão	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Aprendizado semi-supervisionado	pt_BR
dc.subject	Label propagation	pt_BR
dc.subject	Co-training	pt_BR
dc.title	Detecção de intrusão em redes de computadores com aprendizado semi-supervisionado	pt_BR
dc.title.alternative	Intrusion detection in computer networks using semi-supervised learning	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
dc.contributor.advisor1	Paiva, Elaine Ribeiro de Faria	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/8238524390290386	pt_BR
dc.contributor.referee1	Miani, Rodrigo Sanches	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/2992074747740327	pt_BR
dc.contributor.referee2	Paulino, Alessandra Aparecida	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/8756345494319305	pt_BR
dc.description.degreename	Trabalho de Conclusão de Curso (Graduação)	pt_BR
dc.description.resumo	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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.course	Sistemas de Informação	pt_BR
dc.sizeorduration	41	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO	pt_BR
dc.orcid.putcode	227541406	-
Appears in Collections:	TCC - Sistemas de Informação (Uberlândia)

Files in This Item:

File	Description	Size	Format
DetecçãoIntrusãoRedes.pdf		573.3 kB	Adobe PDF	View/Open

Show simple item record