Comparando Médias Móveis com Integral de Choquet para Detectar Anomalias no Tráfego de Redes
Resumo
A infraestrutura de redes de computadores é essencial para o acesso rápido e confiável aos recursos digitais, sendo indispensável para negócios e atividades diárias. Com o aumento evidente do fluxo contínuo de dados, as redes são frequentemente alvo de ataques. Este trabalho compara modelos de médias móveis para previsões de tráfego de rede e utiliza o modelo com menor erro para detectar anomalias, comparando seu desempenho com uma função de agregação de dados baseada na integral de Choquet. Os resultados mostram que a Média Móvel baseada na distribuição de Poisson supera a função de agregação baseada na Integral de Choquet com Produto Algébrico.Referências
Dalmazo, B. L., Vilela, J. P., and Curado, M. (2017). Performance analysis of network traffic predictors in the cloud. Journal of Network and Systems Management, 25:290–320.
Dalmazo, B. L., Vilela, J. P., and Curado, M. (2018). Triple-similarity mechanism for alarm management in the cloud. Computers & Security, 78:33–42.
Grabisch, M. and Labreuche, C. (2010). A decade of application of the choquet and sugeno integrals in multi-criteria decision aid. Annals of Operations Research, 175(1):247–286.
Schmidl, S., Wenig, P., and Papenbrock, T. (2022). Anomaly detection in time series: a comprehensive evaluation. Proc. VLDB Endow., 15(9):1779–1797.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Toward generating a new intrusion detection dataset and intrusion traffic characterization. In 4th International Conference on Information Systems Security and Privacy (ICISSP), Portugal.
Yuan, Z., Chen, B., Liu, J., Chen, H., Peng, D., and Li, P. (2023). Anomaly detection based on weighted fuzzy-rough density. Applied Soft Computing, 134:109995.
Zeufack, V., Kim, D., Seo, D., and Lee, A. (2021). An unsupervised anomaly detection framework for detecting anomalies in real time through network system’s log files analysis. High-Confidence Computing, 1(2):100030.
Dalmazo, B. L., Vilela, J. P., and Curado, M. (2018). Triple-similarity mechanism for alarm management in the cloud. Computers & Security, 78:33–42.
Grabisch, M. and Labreuche, C. (2010). A decade of application of the choquet and sugeno integrals in multi-criteria decision aid. Annals of Operations Research, 175(1):247–286.
Schmidl, S., Wenig, P., and Papenbrock, T. (2022). Anomaly detection in time series: a comprehensive evaluation. Proc. VLDB Endow., 15(9):1779–1797.
Sharafaldin, I., Lashkari, A. H., and Ghorbani, A. A. (2018). Toward generating a new intrusion detection dataset and intrusion traffic characterization. In 4th International Conference on Information Systems Security and Privacy (ICISSP), Portugal.
Yuan, Z., Chen, B., Liu, J., Chen, H., Peng, D., and Li, P. (2023). Anomaly detection based on weighted fuzzy-rough density. Applied Soft Computing, 134:109995.
Zeufack, V., Kim, D., Seo, D., and Lee, A. (2021). An unsupervised anomaly detection framework for detecting anomalies in real time through network system’s log files analysis. High-Confidence Computing, 1(2):100030.
Publicado
16/09/2024
Como Citar
AYRES, Denner; QUEVEDO, Abreu; LUCCA, Giancarlo; DIMURO, Graçaliz; DALMAZO, Bruno L..
Comparando Médias Móveis com Integral de Choquet para Detectar Anomalias no Tráfego de Redes. In: WORKSHOP DE TRABALHOS DE INICIAÇÃO CIENTÍFICA E DE GRADUAÇÃO EM ANDAMENTO - SIMPÓSIO BRASILEIRO DE SEGURANÇA DA INFORMAÇÃO E DE SISTEMAS COMPUTACIONAIS (SBSEG), 24. , 2024, São José dos Campos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 353-357.
DOI: https://doi.org/10.5753/sbseg_estendido.2024.243381.
