Sistema de Detecção de Intrusão em Redes de Computadores Utilizando Redes Neurais Artificiais

• Heitor Neto Universidade Federal de Lavras
• Celso Ávila Universidade José do Rosário Vellano
• Wilian Lacerda Universidade Federal de Lavras

DOI: https://doi.org/10.5753/sbsi.2017.6044

Resumo

Este artigo tem como objetivo apresentar o desenvolvimento de um Sistema de Detecção de Intrusão em Redes de Computadores (NIDS), com tráfego de ambiente real, utilizando a técnica de Redes Neurais Artificiais para a classificação do tráfego como intrusão ou normal. Para os experimentos, foram utilizadas duas bases de dados: a base de dados de tráfego de rede disponibilizada pela ISCX; e uma base de dados de testes criada em ambiente real. Os resultados obtidos com a utilização da técnica de Redes Neurais Artificiais, treinada com a base de dados ISCX, mostraram taxas de acertos em torno de 90%, para os dados da própria ISCX, e 98% para os dados de teste em ambiente real. Esses resultados afirmam a viabilidade da implementação da técnica de Redes Neurais Artificiais para resolver problemas de classificação de tráfego de redes de computadores.

Palavras-chave: Detecção de intrusão, Redes Neurais Artificiais

Referências

I. Brilhante, J. A. Macedo, F. M. Nardini, R. Perego, and C. Renso. Tripbuilder: A tool for recommending sightseeing tours. In Advances in Information Retrieval, pages 771–774. Springer, 2014.

B. Burke. RESTful Java with Jax-RS. O’Reilly Media, Inc., 1st edition, 2009.

M. Ester, H.-P. Kriegel, J. Sander, and X. Xu. A density-based algorithm for discovering clusters in large spatial databases with noise. In Kdd, volume 96, pages 226–231, 1996.

A. R. Façanha, W. Viana, and M. C. Pequeno. Estudo de interfaces acessíveis para usuários com deficiência visual em dispositivos móveis touch screen. In XVI Congreso Internacional de Informática Educativa (TISE 2011), Santiago Chile, 2011.

Z. Farzanyar and N. Cercone. Trip pattern mining using large scale geo-tagged photos. In Proceedings of the International Conference on Computer and Information Science and Technology, 2015.

C. M. Figueiredo and E. Nakamura. Computação móvel: Novas oportunidades e novos desafios. Belo Horizonte: Universidade Federal de Minas Gerais: 28p, 2003.

L. S. Kennedy and M. Naaman. Generating diverse and representative image search results for landmarks. In Proceedings of the 17th international conference on World Wide Web, pages 297–306. ACM, 2008.

S. Kisilevich, F. Mansmann, and D. Keim. P-dbscan: a density based clustering algorithm for exploration and analysis of attractive areas using collections of geo-tagged photos. In Proceedings of the 1st international conference and exhibition on computing for geospatial research & application, page 38. ACM, 2010.

Y. A. Lacerda, J. M. da Silva, L. B. Marinho, et al. Phoca: An extensible service-oriented tool for photo clustering analysis. In 29th SBBD – Demos and Applications Session, pages 227–232, 2014.

Y. A. Lacerda, R. G. F. Feitosa, G. A. R. M. Esmeraldo, C. d. S. Baptista, and L. B. Marinho. Compass clustering: A new clustering method for detection of points of interest using personal collections of georeferenced and oriented photographs. In Proceedings of the 18th Brazilian symposium on Multimedia and the web, pages 281–288. ACM, 2012.

L. Richardson and S. Ruby. Restful Web Services. O’Reilly, first edition, 2007.

S. Wu and L. A. Adamic. Visually impaired users on an online social network. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pages 3133–3142. ACM, 2014.

Y. Yang, Z. Gong, et al. Identifying points of interest using heterogeneous features. ACM Transactions on Intelligent Systems and Technology (TIST), 5(4):68, 2015.