Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36287| Título: | Detecção de ataques DDoS e DoS em redes utilizando arquitetura Transformers de aprendizado de máquina |
| Título(s) alternativo(s): | DDos and DoS attacks detection in networks using machine learning Transformers architecture |
| Autor(es): | Pereira, Gustavo Frandsen |
| Orientador(es): | Rezende, Leiliane Pereira de |
| Palavras-chave: | Acesso à Internet Ataques de negação de serviço Banco de dados - Medidas de segurança Redes neurais (Computação) Internet access Denial of service attacks Data base security Neural networks (Computer science) |
| Data do documento: | 14-Fev-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Santa Helena |
| Citação: | PEREIRA, Gustavo Frandsen. Detecção de ataques DDoS e DoS em redes utilizando arquitetura Transformers de aprendizado de máquina. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Santa Helena, 2025. |
| Resumo: | Os ataques de negação de serviço, do inglês Denial Of Service (DoS) e de negação de serviço distribuída, do inglês Distributed Denial of Service (DDoS), são um problema significativo na internet há muito tempo, afetando uma grande parte da sociedade. Eles podem derrubar o tráfego de rede de uma partida de videogame online e até mesmo causar prejuízos milionários para grandes empresas. Para combater esses ataques, que estão cada vez mais sofisticados e intensos, diversas alternativas vêm sendo exploradas, incluindo o uso de inteligência artificial, do inglês Artificial Intelligence (IA). Os dados foram extraídos do dataset CIC-IDS2017, devidamente estruturados e filtrados para remover endereços muito dispersos, além de endereços nulos e rotulados. Foi atribuída a classificação 1 para endereços benignos e 0 para endereços provenientes de ataque. Em seguida, os dados foram divididos em conjuntos de treino e validação, tokenizados e enviados para um modelo Transformers baseado em um Gerador de Textos Pré-treinado, do inglês Generative Pre-trained Transformer (GPT), para treinamento em lotes. Posteriormente, a validação foi realizada com 20% dos dados, alcançando uma acurácia de 99,3%, demonstrando que o modelo é eficaz na detecção de endereços maliciosos. |
| Abstract: | Denial of Service (DoS) and Distributed Denial of Service (DDoS) attacks have been a major issue on the internet for a long time, affecting a broad segment of society. These attacks can disrupt network traffic in an online video game match and even cause millions in losses for large companies. To combat increasingly sophisticated and large-scale attacks, various solutions are being explored, including Artificial Intelligence (AI). The data was extracted from the CIC-IDS2017 dataset, properly structured and filtered to remove overly dispersed addresses as well as null and labeled addresses. A value of 1 was assigned to benign addresses and 0 to malicious ones. The data was then split into training and validation sets, tokenized, and fed into a Generative Pre-trained Transformer (GPT) based transformers architecture for batch training. Subsequently, validation was performed using 20% of the data, achieving an accuracy of 99.3%, demonstrating that the model is effective in detecting malicious addresses. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36287 |
| Aparece nas coleções: | SH - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| deteccaoddosaprendizadomaquina.pdf | 850,92 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
