Banca de QUALIFICAÇÃO: BRUNO CAVALCANTE BARBOSA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : BRUNO CAVALCANTE BARBOSA
DATA : 29/08/2025
HORA: 14:00
LOCAL: Remoto Hangout
TÍTULO:

Detecção de Anomalias em Redes de Computadores Utilizando Aprendizado de Máquina

PALAVRAS-CHAVES:

Detecção de Anomalias; Segurança de Redes; Aprendizado de Máquina

PÁGINAS: 54
RESUMO:

A atual crescente complexidade dos ataques cibernéticos, demanda sistemas de detecção de intrusão que superem as limitações das abordagens tradicionais baseadas unicamente em assinaturas. Este trabalho propõe o desenvolvimento de um \textit{framework} inteligente para a detecção e classificação de anomalias de rede, focado principalmente na maximização da acurácia e na redução de falsos alarmes. O sistema integra uma arquitetura Neural \textbf{LSTM Bidirecional} com atenção temporal, em que, sua superioridade para a modelagem sequencial foi devidamente validada através de experimentos prévios. A metodologia emprega ainda uma técnica híbrida, \textbf{SMOTE-ENN}, com parâmetros otimizados ($k=5, k=3$), para o tratamento robusto do desbalanceamento de classes e utiliza princípios da \textbf{Teoria da Informação} para uma seleção de características eficiente e matematicamente fundamentada. Utilizando um dos melhores \textit{datasets} atuais, o CIC-IDS2018, através da validação cruzada estratificada (5-fold), o modelo proposto demonstrou, até o momento, uma performance de estado-da-arte, alcançando \textbf{99.47\% de acurácia} e \textbf{98.82\% de F1-Score macro}. A análise estatística confirmou que esta superioridade é \textbf{estatisticamente significativa ($p < 0.001$)} em comparação com modelos de base consolidados, como Random Forest, SVM e CNNs tradicionais. A ser confirmado em definitivo nos testes com dados reais. A contribuição principal deste trabalho é o estabelecimento de um \textit{framework} completo e \textbf{reprodutível}, disponibilizado em forma de código aberto, o que possibilita o avanço do estado da arte ao integrar de forma coesa, técnicas avançadas de aprendizado de máquina. O sistema, que poderá evoluir para obter a capacidade de processamento em tempo real (< 0,2ms por instância), poderá demonstrar não apenas uma alta taxa de precisão, mas principalmente uma viabilidade prática, possibilitando reduzir assim custos operacionais associados a falsos alarmes enquanto maximiza a detecção de ataques críticos.

MEMBROS DA BANCA:
Presidente - 1647956 - ANDRE LUIZ LINS DE AQUINO
Interno(a) - 1803490 - BRUNO COSTA E SILVA NOGUEIRA
Externo(a) à Instituição - Eduardo Coelho Cerqueira