CyberEye: Sistema de Detecção de Intrusão em Redes com Integração de Inteligência Artificial

• Ígor Moreno Boenavides IFC
• Jardel Batista Gonçalves UFSC
• Matheus Lorenzato Braga IFC

DOI: https://doi.org/10.5753/errc.2026.36192

Resumo

Este trabalho propõe o desenvolvimento do CyberEye, um Sistema de Detecção de Intrusão em Redes (NIDS) baseado no algoritmo de Aprendizado de Máquina Não Supervisionado Isolation Forest. O sistema captura e extrai 15 características do tráfego de rede em tempo real utilizando o framework Scapy, treinando o modelo com tráfego benigno do dataset CIC-IDS-2017. Em avaliação de prova de conceito em ambiente virtual controlado, testes em 37 janelas de captura de 3 segundos demonstraram 100% de detecção para ataques volumétricos de inundação e varredura de portas, com zero falsos positivos sobre tráfego benigno ocioso. A proposta de código aberto visa ampliar o acesso a ferramentas de segurança contemporâneas e de baixo custo para pequenas e médias organizações.

Referências

Alzahrani, A. O. e Alenazi, M. J. F. (2021) "Designing a network intrusion detection system based on machine learning for software defined networks", Future Internet, v. 13, n. 5. Disponível em: [link]. Acesso em: 30 mai. 2026.

Dresch, A., Lacerda, D. P. e Antunes Júnior, J. A. V. (2015) Design Science Research: Método de Pesquisa para Avanço da Ciência e Tecnologia. Bookman.

Liu, F. T., Ting, K. M. e Zhou, Z. (2008) "Isolation Forest", In: IEEE International Conference on Data Mining (ICDM), pp. 413-422.

Sharafaldin, I., Habibi Lashkari, A. e Ghorbani, A. A. (2018) "Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization", In: International Conference on Information Systems Security and Privacy (ICISSP), pp. 108-116.

Fernando, D. W., Komninos, N. e Chen, T. (2020) "A study on the evolution of ransomware detection using machine learning and deep learning techniques", IoT. Disponível em: [link]. Acesso em: 22 mai. 2026.

Ghadermazi, J., Shah, A. e Bastian, N. D. (2024) "Towards real-time network intrusion detection with image-based sequential packets representation", IEEE Transactions on Big Data. Disponível em: [link]. Acesso em: 22 mai. 2026.

Moamin, S. A. H. et al. (2025) "Artificial Intelligence in Malware and Network Intrusion Detection: A Comprehensive Survey", Mesopotamian Journal. Disponível em: [link]. Acesso em: 13 mai. 2026.

Monteiro, C. L. et al. (2026) "Avaliação da eficácia de algoritmos de machine learning na detecção de tráfego malicioso em redes corporativas", Revista FT. Disponível em: [link]. Acesso em: 11 mai. 2026.

Rawindaran, N. et al. (2021) "Cost Benefits of Using Machine Learning Features in NIDS for Cyber Security in UK SME", Future Internet. Disponível em: [link]. Acesso em: 22 mai. 2026.

Shen, M. et al. (2022) "Machine Learning-Powered Encrypted Network Traffic Analysis: A Comprehensive Survey", IEEE Communications Surveys & Tutorials. Disponível em: [link]. Acesso em: 13 mai. 2026.

Vanin, P. et al. (2022) "A Study of Network Intrusion Detection Systems Using Artificial Intelligence/Machine Learning", Applied Sciences, v. 12, n. 22. Disponível em: [link]. Acesso em: 13 mai. 2026.