MODELO DE AUTOENCODER COM ENSEMBLE LEARNING E CLUSTERIZAÇÃO PARA DETECÇÃO DE INTRUSÃO EM REDES

Abstract

Com o aumento no número de usuários da Internet observado nos últimos anos e o número recorde de ataques a redes de computadores em 2023, os sistemas de detecção de intrusão (IDS) se tornam cada vez mais relevantes como ferramentas para a proteção de redes. IDSs têm uma grande importância na manutenção da segurança contra acessos indevidos, vazamentos de dados, ataques de phishing, entre outros, e são foco constante de pesquisas que buscam aprimorar modelos de Aprendizado de Máquina (ML) já existentes ou desenvolver outros ainda melhores para este propósito. Este trabalho apresenta uma proposta de modelo de Autoencoder para ser aplicado na detecção de intrusão. A pesquisa explora e avalia também a eficácia de técnicas de seleção de características (FS), de clusterização, do algoritmo MINAS, e da utilização de ensemble learning no aprimoramento do modelo proposto. A aplicação de FS e Votação apresentaram bons resultados com subconjuntos pequenos do KDD-99, alçando acurácia 0,832, precisão 1,0 e F1-score 0,907 com apenas 400 entradas de dados.