Detecção de Intrusões em Redes sobre a Base Revisada CIC-IDS-2017: Engenharia de Atributos e Avaliação Comparativa entre AdaBoost e XGBoost3

• Juliana Boudoux Cavalcante Lisbôa UPE
• Cleyton Mário de Oliveira Rodrigues UPE

DOI: https://doi.org/10.5753/sbseg_estendido.2026.29416

Resumo

A detecção de intrusões em redes é um desafio relevante para a segurança da informação. Este trabalho desenvolve e compara dois classificadores supervisionados — AdaBoost e XGBoost — para classificação binária de tráfego de rede, utilizando uma versão revisada da base CIC-IDS-2017. A metodologia inclui engenharia de atributos a partir de endereços IP, protocolos de transporte e portas de destino mapeadas pelo registro IANA. Ambos os classificadores alcançaram F1-Scores acima de 99%, com o XGBoost obtendo mais de 80% de redução de falsos positivos em comparação ao AdaBoost. A análise de importância de variáveis revelou que atributos criados por engenharia, como Port Cat DNS e Dst IP is Local, figuram entre os mais relevantes, validando o pipeline de engenharia proposto.

Referências

Chen, T. and Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 785–794.

Hu, W. et al. (2014). Online AdaBoost-based parameterized methods for dynamic distributed network intrusion detection. IEEE Transactions on Cybernetics, 44(1):66–82.

Husain, A. et al. (2019). Development of an efficient network intrusion detection model using extreme gradient boosting (XGBoost) on the UNSW-NB15 dataset. In 2019 IEEE International Symposium on Signal Processing and Information Technology (ISSPIT), pages 1–7. IEEE.

IANA (2026). Service name and transport protocol port number registry. [link]. Acesso em: 02 mar. 2026.

Jiang, H. et al. (2020). Network intrusion detection based on PSO-XGBoost model. IEEE Access, 8:58392–58401.

Liu, L. et al. (2022). Error prevalence in NIDS datasets: A case study on CIC-IDS-2017 and CSE-CIC-IDS-2018. In 2022 IEEE Conference on Communications and Network Security (CNS), pages 254–262. IEEE.

Schapire, R. E. (1999). A brief introduction to boosting. In Proceedings of the 16th International Joint Conference on Artificial Intelligence (IJCAI), pages 1401–1406.

Sharafaldin, I. et al. (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), volume 1, pages 108–116.

Soltani, M. et al. (2023). An adaptable deep learning-based intrusion detection system to zero-day attacks. Journal of Information Security and Applications, 76:103516.

Yulianto, A., Sukarno, P., and Suwastika, N. A. (2019). Improving AdaBoost-based intrusion detection system (ids) performance on CIC IDS 2017 dataset. Journal of Physics: Conference Series, page 012018.

Zhou, Y., Mazzuchi, T. A., and Sarkani, S. (2020). M-AdaBoost-A based ensemble system for network intrusion detection. Expert Systems with Applications, 162:113864.