Mapeamento Sistemático de Sistemas de Detecção de Intrusão Baseados em Aprendizado de Máquina para Redes Wi-Fi

• Gabriele Pereira da Silva UFMT
• Julia Milioranza Gomes UFMT
• Luiz Eduardo Reis Martins UFMT
• Karen da Silva Figueiredo Medeiros Ribeiro UFMT

DOI: https://doi.org/10.5753/ersimt.2025.8904

Resumo

Este artigo apresenta os resultados de um mapeamento sistemático de pesquisas que aplicam técnicas de aprendizado de máquina para a detecção de intrusão em redes Wi-Fi. O mapeamento tem como objetivo identificar os principais algoritmos utilizados, as bases de dados mais empregadas para treinar os modelos e as métricas de desempenho adotadas. Foram analisados estudos publicados a partir de 2020, com foco em métodos de detecção de anomalias e sistemas de detecção de intrusão (IDS) baseados em aprendizado de máquina. Os resultados deste estudo podem auxiliar pessoas pesquisadoras e profissionais da área de segurança da informação no desenvolvimento de soluções mais eficazes e na escolha de abordagens adequadas para aprimorar a proteção de redes Wi-Fi.

Referências

Alrayes, F. S., Zakariah, M., Amin, S. U., Khan, Z. I., and Alqurni, J. S. (2024). Cnn channel attention intrusion detection system using nsl-kdd dataset. Computers, Materials & Continua, 79(3).

Ashiku, L. and Dagli, C. (2021). Network intrusion detection system using deep learning. Procedia Computer Science, 185:239–247. Big Data, IoT, and AI for a Smarter Future.

Assy, A. T., Mostafa, Y., El-khaleq, A. A., and Mashaly, M. (2023). Anomaly-based intrusion detection system using one-dimensional convolutional neural network. Procedia Computer Science, 220:78–85. The 14th International Conference on Ambient Systems, Networks and Technologies Networks (ANT) and The 6th International Conference on Emerging Data and Industry 4.0 (EDI40).

Babu, K. S. and Rao, Y. N. (2023). Improved monarchy butterfly optimization algorithm (imbo): Intrusion detection using mapreduce framework based optimized anunet. Computers, Materials and Continua, 75(3):5887–5909.

Jiang, T., Fu, X., and Wang, M. (2024). Bbo-cfat: Network intrusion detection model based on bbo algorithm and hierarchical transformer. IEEE Access, 12:54191–54201.

Kitchenham, B. (2007). Guidelines for performing systematic literature reviews in software engineering. EBSE Technical Report EBSE-2007-01, Keele University and University of Durham.

Liu, H. and Lang, B. (2019). Machine learning and deep learning methods for intrusion detection systems: A survey. Applied Sciences, 9(20).

Mezina, A., Burget, R., and Travieso-González, C. M. (2021). Network anomaly detection with temporal convolutional network and u-net model. IEEE Access, 9:143608–143622.

Wisanwanichthan, T. and Thammawichai, M. (2021). A double-layered hybrid approach for network intrusion detection system using combined naive bayes and svm. IEEE Access, 9:138432–138450.

Yang, F.-J. (2018). An implementation of naive bayes classifier. In 2018 International Conference on Computational Science and Computational Intelligence (CSCI), pages 301–306.

Yong, X. and Gao, Y. (2023). Hybrid firefly and black hole algorithm designed for xgboost tuning problem: An application for intrusion detection. IEEE Access, 11:28551–28564.

Çetin, G. (2022). An effective classifier model for imbalanced network attack data. Computers, Materials and Continua, 73(3):4519–4539.