O advento tecnológico ocorrido nos últimos anos popularizou e democratizou o acesso à rede
mundial de computadores, propiciando o surgimento de novas tecnologias multimídias hospedadas
remotamente e na alta oferta de conteúdos e serviços disponibilizados na Internet. O principal
impacto social consequente desses acontecimentos foi no tempo que as pessoas dedicam ao uso
de seus aparelhos eletrônicos. Na contramão dos benefícios oferecidos por este avanço tecnológico
o número de usuários mal-intencionados que utilizam métodos para driblar a segurança em
roteadores de borda aumentou exponencialmente, eles utilizam artifícios que demandam de uma
criatividade cada vez maior oferecendo riscos principalmente para usuários leigos. Por essa razão,
a utilização de modelos que identificam anomalias no tráfego de roteadores de borda geradas por
ataques apresenta-se com grande importância, visto que as técnicas de segurança estão aplicadas
principalmente em servidores. Este trabalho promove uma avaliação dos principais algoritmos de
aprendizado de máquina supervisionados, com a intenção verificar o comportamento apresentado
por esses algoritmos na detecção de anomalias geradas por ataques de negação de serviço, em
um dataset contendo o tráfego de uma rede doméstica simulada em laboratório. Os algoritmos
KNN, Naive Bayes e Árvore de Decisões foram utilizadas na realização dos experimentos que
de maneira geral ambos os algoritmos obtiveram um desempenho acima dos 90% de precisão,
no entanto o KNN se apresentou como melhor algoritmo mesmo considerando a necessidade de
um processamento maior em comparação aos outros algoritmos.
|
