ADAPTAR: Agregação Dinâmica para Análise e Predição de Tráfego e Anomalias em Rede

• Denner Ayres FURG
• Abreu Quevedo FURG
• Giancarlo Lucca FURG
• Graçaliz Dimuro FURG
• Bruno L. Dalmazo FURG

DOI: https://doi.org/10.5753/sbseg_estendido.2026.29023

Resumo

A crescente complexidade do tráfego em redes de computadores exige métodos eficientes para predição e detecção de anomalias em cenários dinâmicos e não supervisionados. Este trabalho propõe a abordagem ADAPTAR, baseada em operadores de agregação temporal para análise de séries temporais. Modelos de médias móveis são avaliados com base no erro absoluto médio (MAE), seguidos pela investigação da Integral de Choquet e sua parametrização por medidas de potência. A detecção é realizada por meio de um mecanismo baseado em limiar aplicado aos erros de previsão. Experimentos com o conjunto CIC-IDS2017 indicam que a abordagem baseada na Integral de Choquet apresenta desempenho competitivo em relação aos métodos tradicionais.

Referências

Amorim, M., Lucca, G., Dalmazo, B. L., Marco-Detchart, C., and Dimuro, G. P. (2025). Generalizations of choquet-like integrals by restricted dissimilarity functions applied to multi-channel edge detection problems. Applied Sciences, 15(24).

Ayres, D., Quevedo, A., Dimuro, G., Lucca, G., and Dalmazo, B. (2024a). Detecção de anomalias de rede utilizando integrais de choquet através de medidas de potência. In Anais da XXI Escola Regional de Redes de Computadores, pages 129–134, Porto Alegre, RS, Brasil. SBC.

Ayres, D., Quevedo, A., Lucca, G., Dimuro, G., and Dalmazo, B. (2024b). Comparando médias móveis com integral de choquet para detectar anomalias no tráfego de redes. In Anais Estendidos do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 353–357, Porto Alegre, RS, Brasil. SBC.

Baek, M.-S., Jung, Y.-A., and Song, H.-K. (2025). A two-stage deep learning-based framework for high-accuracy network intrusion detection. In 2025 16th International Conference on Information and Communication Technology Convergence (ICTC), pages 641–642.

Brandão Lent, D. M., Novaes, M. P., Carvalho, L. F., Lloret, J., Rodrigues, J. J. P. C., and Proença, M. L. (2022). A gated recurrent unit deep learning model to detect and mitigate distributed denial of service and portscan attacks. IEEE Access, 10:73229–73242.

Choquet, G. (1953–1954). Theory of capacities. Annales de l’Institut Fourier, 5:131–295.

Conceição da Costa, B., Lucca, G., de Souza Oliveira, L., Berri, R., Immich, R., Borges, E., Pinto, R. F., Cardoso, F. C., and Dalmazo, B. L. (2027). Adversarial detection in eeg-based bcis: A comparative study of classical and neuro-fuzzy approaches. In Gervasi, O., Murgante, B., Garau, C., Rocha, A. M. A., Faginas Lago, M. N., Taniar, D., and Karaca, Y., editors, Computational Science and Its Applications – ICCSA 2026, pages 173–184, Cham. Springer Nature Switzerland.

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.

Dimuro, G. P., Lucca, G., Bedregal, B., Mesiar, R., Sanz, J. A., Lin, C.-T., and Bustince, H. (2020). Generalized cf1f2-integrals: From choquet-like aggregation to ordered directionally monotone functions. Fuzzy Sets and Systems, 378:44–67. Theme : Aggregation Operations.

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.

Karczmarek, P., Dolecki, M., Powroznik, P., Łagodowski, Z. A., Gregosiewicz, A., Łukasz Gałka, Pedrycz, W., Czerwinski, D., and Jonak, K. (2023). Quadrature-inspired generalized choquet integral in an application to classification problems. IEEE Access, 11:124676–124689.

Novaes, M. P., Carvalho, L. F., Lloret, J., and Proença, M. L. (2020). Long short-term memory and fuzzy logic for anomaly detection and mitigation in software-defined network environment. IEEE Access, 8:83765–83781.

Quevedo, A., Ayres, D., Dimuro, G., Riker, A., Lucca, G., and Dalmazo, B. L. (2025). Optimizing big data traffic prediction using generalizations of choquet integral with adaptive weighting. In ICC 2025 - IEEE International Conference on Communications, pages 4872–4877.

Reglitz, M. (2020). The human right to free internet access. Journal of Applied Philosophy, 37(2):314–331.

Santo, Y., Immich, R., Dalmazo, B. L., and Riker, A. (2023). Fault detection on the edge and adaptive communication for state of alert in industrial internet of things. Sensors, 23(7).

Schmidl, S., Wenig, P., and Papenbrock, T. (2022). Anomaly detection in time series: a comprehensive evaluation. Proc. VLDB Endow., 15(9):1779–1797.

Xu, Z. and Liu, Y. (2025). Robust anomaly detection in network traffic: Evaluating machine learning models on cicids2017.

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.