Palavras-chave
métodos de aprendizagem de máquina
matriz de confusão
Como Citar
Resumo
Nos últimos anos, houve um grande aumento de serviços baseados na internet, que levanta grandes disrupções à segurança da informação. E com a colossal gama de tráfego de rede de dados que são gerados diariamente, isto com a sua alta velocidade, faz as ameaças à segurança serem cada vez mais enigmáticas. Nesse sentido, o presente artigo apresenta uma abordagem baseada em métodos de aprendizagem de máquinas aplicadas à busca de ameaças em redes de computadores, no objetivo de tentar detectar intrusão e, portanto, ajudar a prevenir a ocorrência de ataques. Com isso, foram testados algoritmos para classificação de ataques na rede, com três métodos distintos: Árvore de Decisão, Tabelas de Decisão e Naive Bayes. A eficácia de cada técnica é avaliada por meio de experimentos usando a base de dados KDD'99, e se baseia na matriz de confusão, a qual obteve, por meio de uma pequena porção (cerca de 10%) da base de dados, uma acurácia, precisão e recall acima de (89%) sobre os classificadores analisados, afirmando a viabilidade de máquinas de aprendizagem em busca de classificação de anomalias em redes de computadores.
Referências
ABRACADABRA. Micro-and Macro-average of Precision, Recall and F-Score. 2018. Disponível em: https://towardsdatascience.com/micro-macro-weighted-averages-of-f1-score-clearly-explained-b603420b292f Acesso em: 27 dez. 2022.
AGGARWAL, C. C. Data Classification: Algorithms and Applications. New York: CRC Press, 2014. E-book.
ALSUBHI, K.; ZHANI, M. F.; BOUTAVA, R. Embedded Markov process based model for performance analysis of Intrusion Detection and Prevention Systems. In: GLOBAL COMMUNICATIONS CONFERENCE, 2012, Anaheim. Proceedings… Anaheim: Globecom, 2012. Disponível em: https://www.researchgate.net/publication/261046303_Embedded_Markov_Process_basedModel_for_Performance_Analysis_of_Intrusion_Detection_and_Prevention_Systems. Acesso em: 2 ago 2023.
ANDRADE, M. S. Monitoramento integrado de desempenho e segurança dos ativos de redes de computadores. 2017. Trabalho de Conclusão de Curso (Sistemas de Informação) - Instituto Federal de Educação Ciência e Tecnologia de Sergipe – Lagarto, 2017. Disponível em: https://zabbixbrasil.org//files/TCC_MATHEUS_SANTOS_ANDRADE%20_IFS_SISTEMAS_DE_INFORMACAO_2018_FINAL.pdf. Acesso em: 20 set. 2022.
BARFORD, P. et al. A signal analysis of network traffic anomalies. In: PROCEEDINGS OF THE 2ND ACM SIGCOMM WORKSHOP ON INTERNET MEASURMENT, 2., 2002, Marseille.Proceedings…Marseille: ACM, 2002. Disponível em: https://www.researchgate.net/publication/2861593_A_Signal_Analysis_of_Network_Traffic_Anomalies/link/0deec517630d327262000000/download. Acesso em: 02 ago. 2023.
BELLMAN, E. R. An introduction to artificial intelligence: can computers think? Boston: Boyd & Fraser Pub. Co., 1978.
BHARGAVA, N. et al. Decision tree analysis on j48 algorithm for data mining. International Journal of Advanced Research in Computer Science and Software Engineering, v. 3, n. 6, p. 45-98, 2013.
CARVALHO, H. M. Aprendizado de máquina voltado para mineração de dados: árvores de decisão. 2014. Monografia (Engenharia de Software) – Universidade de Brasília – Brasília, 2014.
DENNING, D. E. An intrusion-detection model. IEEE Transactions on Software Engineering, v. 13, n. 2, p. 222-232, 1987.
FUNG, C. J.; BOUTABA R. Design and management of collaborative intrusion detection networks. In: INTERNATIONAL SYMPOSIUM ON INTEGRATED NETWORK MANAGEMENT, 13., 2013, Proceedings…IFIP/IEEE, 2013.
GUREK, E. L. Aquisição de conhecimento em bancos de dados. 2001. Trabalho de Conclusão de Curso (Tecnólogo em Processamento de Dados) – Universidade Tuiuti do Paraná, Santo Inácio, 2001.
HUSSAIN, F. et al. Exception rule mining with a relative interestingness measure. In: HUSSAIN, F. et al. Knowledge discovery and data mining. Berlin: Springer Berlin Heidelberg, 2000. p. 86-97.
JOHN, G. H.; LANGLEY, P. Estimating continuous distributions in bayesian classifiers. In: PROCEEDINGS OF THE ELEVENTH CONFERENCE ON UNCERTAINTY IN ARTIFICIAL INTELLIGENCE, 11., 1995, Montréal. Proceedings…Montréal: Morgan Kaufmann Publishers, 1995.
KIM, G.; LEE, S.; KIM, S. A novel hybrid intrusion detection method integrating anomaly detection with misuse detection. Expert Systems with Applications, v. 41, n. 4, p.1690-1700, 2014.
KOHAVI, Ron. The power of decision tables. In: KOHAVI, Ron. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer Berlin Heidelberg, 1995. p. 174-189.
KUMAR, G. V.; REDDY, D. K. An agent based intrusion detection system for wireless network with artificial immune system (AIS) and negative clone selection. In: INTERNATIONAL CONFERENCE ON ELECTRONIC SYSTEMS, 2014, Nagpur. Proceedings…Nagpur: IEEE, 2014.
LARRAÑAGA, P. et al. Machine learning in bioinformatics. Brief Bioinformatics, v. 7, n. 1, p. 86-112, 2006.
LE, Q.; SMOLA, A.; VISHWANATHAN, S. Bundle methods for machine learning. Advances in neural information processing systems, v. 20, 2007.
LEU F. Y. et al. An internal intrusion detection and protection system by using data mining and forensic techniques. IEEE Systems Journal, v. 11, n. 2, p. 1-12, 2017.
LIBRALON, G. L. Investigação de combinações de técnicas de detecção de ruído para dados de expressão gênica. 2007. Dissertação (Mestrado em Ciências Matemáticas e de Computação) - Universidade de São Paulo, São Carlos, 2007.
MANYIKA, J. et al. Big data: the next frontier for innovation, competition, and productivity. [s.l.]: McKinsey Global Institute, 2011.
MITCHELL, T. Machine learning. New York: McGraw-Hill, 1997.
NORVIG, P.; RUSSEL, S. Inteligência artificial. Rio de Janeiro: Guanabara Koogan, 2013.
ÖZGÜR, A.; ERDEM, H. A review of kdd99 dataset usage in intrusion detection and machine learning between 2010 and 2015. PeerJ Preprints, 4:e1954v1, 2016.
PINHEIRO, J. M. dos S. Ameaças e Ataques aos Sistemas de Informação: prevenir e antecipar. Cadernos UniFOA, v. 3, n. 5, p. 11–21, 2017.
QUINLAN, J.R. C4.5: programs for machine learning. [s.l.]: Elsevier Science & Technology Books, 2014.
RAMA DEVI R. R., ABUALKIBASH, M. Intrusion detection system classification using different machine learning algorithms on KDD-99 and NSL-KDD datasets - a review paper. International Journal of Computer Science & Information Technology, v. 11, n. 3, 2019.
SANTOS, V. Sistemas de Detecção de Intrusões usando unicamente softwares open source. Sistema de Informação, v. 10, 2010.
SCARFONE, K.; MELL, P. Guide to intrusion detection and prevention systems (IDPS). Gaithersburg: NIST, 2007.
SMOLA, A. J.; SCHÖLKOPF, B. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. Cambridge: The MIT Press, 2001.
SOMMER, R.; PAXSON, V. Outside the closed world: On using machine learning for network intrusion detection. In: SYMPOSIUM ON SECURITY AND PRIVACY, 10., 2010, Washington. Proceedings... Washington: IEEE Computer Society, 2010.
SOUSA, R. M. et al. A New Approach for Including Social Conventions Into Social Robots Navigation by Using Polygonal Triangulation and Group Asymmetric Gaussian Functions. Sensors, v. 22, n. 12, p. 4602, 2022.
STOLFO J. et al., Cost-based modeling for fraud and intrusion detection: Results from the JAM project. In: DARPA INFORMATION SURVIVABILITY CONFERENCE AND EXPOSITION, 2., 2000, Hilton Head. Proceedings... Hilton Head: IEEE Computer Society, 2000.
TARCA, A. L. et al. Machine learning and its applications to biology. PLoS Computational Biology, v. 3, n. 6, p. 953-963, 2007.
UTIMURA, L. N.; COSTA, K. A. Aplicação e análise comparativa do desempenho de classificadores de padrões para o sistema de detecção de intrusão Snort. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS, 36., 2018. Porto Alegre. Anais…Porto Alegre: SBC, 2018.
WITTEN, I. H.; FRANK, E.; HALL, M. A.; PAL, C.J. Data Mining: practical machine learning tools and techniques. Chennai: Morgan Kaufmann, 2016.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright (c) 2023 Matheus Santos Andrade, Jean Santos