Correlação Híbrida Baseada em Stacking para Detecção de Anomalias em Redes de Computadores

• Franklin A. M. Venceslau UFPE
• Rafael R. de Souza UFPE
• Fabiano C. da Silva UFPE
• José A. S. Monteiro CESAR School

DOI: https://doi.org/10.5753/sbseg.2025.10674

Resumo

A detecção de anomalias em redes de computadores é um desafio crítico no campo da cibersegurança, devido à crescente complexidade das ameaças e à dinamicidade do tráfego de dados. Este estudo propõe uma abordagem baseada em ensemble stacking, que combina os algoritmos Local Outlier Factor (LOF), Isolation Forest (iForest) e One-Class SVM (OCSVM) para a detecção de anomalias. Em seguida, os scores gerados por esses modelos treinam um classificador Random Forest, responsável pela classificação final das instâncias de tráfego. A validação empírica foi conduzida com o conjuntos de dados UGR’16 e CIC-IDS2017 e utilizaram métricas como AUC, curvas ROC e F1-score, permitindo avaliar o desempenho em relação a métodos tradicionais e do estado da arte. A solução proposta demonstra ser promissora na redução de falsos positivos e na detecção de tráfego malicioso em cenários realistas e desbalanceados.

Referências

Chliah, H., Battou, A., Laoufi, A., et al. (2023). Hybrid machine learning-based approach for anomaly detection using apache spark. International Journal of Advanced Computer Science and Applications, 14(4).

Jeffrey, N., Tan, Q., and Villar, J. R. (2024). Using ensemble learning for anomaly detection in cyber–physical systems. Electronics, 13(7).

Li, J., Chen, R., and Sun, J. (2020). A stacking ensemble framework for imbalanced network anomaly detection. Computers & Security, 95:101847.

Lunardi, W. T., Lopez, M. A., and Giacalone, J.-P. (2022). Arcade: Adversarially regularized convolutional autoencoder for network anomaly detection. arXiv preprint arXiv:2205.01432.

Maciá-Fernández, G., Camacho, J., Magán-Carrión, R., García-Teodoro, P., and Therón, R. (2018). UGR’16: A new dataset for the evaluation of cyclostationarity-based network ”idss”. Computers and Security, 73:411–424.

Ness, S. (2024). Anomaly detection in network traffic using advanced machine learning techniques. IEEE Access, 12:1–10.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, É. (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12:2825–2830.

Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Toward generating a new intrusion detection dataset and intrusion traffic characterization. In Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP), pages 108–116. SciTePress.

Tokmak, M. and Nkongolo, M. (2023). Stacking an autoencoder for feature selection of zero-day threats. arXiv preprint arXiv:2311.00304.

Wang, Y., Li, Z., and Zhang, W. (2021). Improving IoT anomaly detection through stacking ensemble learning. Journal of Network and Computer Applications, 173:102854.