Análise Comparativa de Random Forest e Multi-Layer Perceptron para Detecção de Intrusões em Redes com Redução de Dimensionalidade no CICIDS2017
Resumo
A crescente sofisticação dos ataques cibernéticos tem impulsionado o uso de Aprendizado de Máquina para detecção de intrusões em redes. Este trabalho apresenta uma análise comparativa entre Random Forest (RF) e Multi-Layer Perceptron (MLP) utilizando o conjunto de dados CICIDS2017, considerando técnicas de redução de dimensionalidade. Foram aplicadas Mean Decrease in Impurity (MDI) e Principal Component Analysis (PCA), aliadas a pré-processamento e validação por Stratified K-Fold Cross-Validation. Ambos os modelos alcançaram F1-Score superior a 0,99, sendo o Random Forest mais eficiente computacionalmente. Os resultados reforçam o potencial do uso de ML na detecção de intrusões em cenários reais.
Referências
Breiman, L. (2001). Random Forests. Machine learning, 45:5–32.
Kohavi, R. et al. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. In Ijcai, volume 14, pages 1137–1145. Montreal, Canada.
Labonne, M. (2020). Anomaly-Based Network Intrusion Detection Using Machine Learning. Theses, Institut Polytechnique de Paris.
Neto, M. S. and Gomes, D. G. (2019). Network Intrusion Detection Systems Design: A Machine Learning Approach. In Anais do XXXVII SBRC, pages 932–945, Porto Alegre, RS, Brasil. SBC.
Pearson, K. (2010). On Lines and Planes of Closest Fit to Systems of Points in Space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11):559–572.
Rosay, A., Carlier, F., and Leroux, P. (2020). MLP4NIDS: An Efficient MLP-Based Network Intrusion Detection for CICIDS2017 Dataset. In Machine Learning for Networking, pages 240–254, Cham. Springer International Publishing.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization. ICISSP, 1(2018):108–116.
Kohavi, R. et al. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. In Ijcai, volume 14, pages 1137–1145. Montreal, Canada.
Labonne, M. (2020). Anomaly-Based Network Intrusion Detection Using Machine Learning. Theses, Institut Polytechnique de Paris.
Neto, M. S. and Gomes, D. G. (2019). Network Intrusion Detection Systems Design: A Machine Learning Approach. In Anais do XXXVII SBRC, pages 932–945, Porto Alegre, RS, Brasil. SBC.
Pearson, K. (2010). On Lines and Planes of Closest Fit to Systems of Points in Space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11):559–572.
Rosay, A., Carlier, F., and Leroux, P. (2020). MLP4NIDS: An Efficient MLP-Based Network Intrusion Detection for CICIDS2017 Dataset. In Machine Learning for Networking, pages 240–254, Cham. Springer International Publishing.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization. ICISSP, 1(2018):108–116.
Publicado
15/06/2026
Como Citar
SILVA, Pedro H. D.; COELHO, Paulo R. S. L.; PASQUINI, Rafael; FERNANDES, Márcia A.; FAINA, Luís F..
Análise Comparativa de Random Forest e Multi-Layer Perceptron para Detecção de Intrusões em Redes com Redução de Dimensionalidade no CICIDS2017. In: ESCOLA REGIONAL DE INFORMÁTICA DO TRIÂNGULO MINEIRO (ERI-TM), 1. , 2026, Uberlândia/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 16-20.
DOI: https://doi.org/10.5753/eritm.2026.26556.
