Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2015 CPGEI (Mestrado): André Luiz Pereira de França-26/02/15

CPGEI (Mestrado): André Luiz Pereira de França-26/02/15

Defesa Pública de Mestrado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 26/02/2015
das 14h00 até 17h00
Onde Sede Central: Sala C-302
Nome do Contato Prof. Volnei Antonio Pedroni
Participantes Prof. Volnei Antonio Pedroni, Dr. Orientador UTFPR
Ricardo Pereira Jasinski, Dr. Co-orientador SOLVIS
Banca examinadora:
Prof. Volnei Antonio Pedroni, Dr. Presidente UTFPR
Prof. Altair Olivo Santin, Dr. PUCPR
Prof. André Augusto Mariano, Dr. UFPR
Adicionar evento ao calendário vCal
iCal

Estudo, desenvolvimento e implementação de algoritmos de aprendizagem de máquina, em software e hardware, para detecção de intrusão de rede: uma análise de eficiência energética

Resumo: O constante aumento na velocidade da rede, o número de ataques e a necessidade de eficiência energética estão fazendo com que a segurança de rede baseada em software chegue ao seu limite. Um tipo comum de ameaça são os ataques do tipo probing, nos quais um atacante procura vulnerabilidades a partir do envio de pacotes de sondagem a uma máquina-alvo. Este trabalho apresenta o estudo, o desenvolvimento e a implementação de um algoritmo de extração de características dos pacotes da rede e de três classificadores de aprendizagem de máquina - Árvore de Decisão, Naive Bayes e k-vizinhos mais próximos - para a detecção de ataques do tipo probing. Os quatro algoritmos foram implementados em software e hardware. O trabalho apresenta, ainda, resultados detalhados de acurácia de classificação, taxa de transferência e consumo de energia para cada implementação.
Palavras-chave: Detecção de Intrusão. Ataques Probing. Aprendizagem de Máquina. Árvore de Decisão. Naive Bayes. KNN. Eficiência Energética.

Study, development and implementation of machine learning algorithms, in software and hardware, for network intrusion detection: an energy efficiency analysis

Abstract: The increasing network speeds, number of attacks, and need for energy efficiency are pushing software-based network security to its limits. A common kind of threat is probing attacks, in which an attacker tries to find vulnerabilities by sending a series of probe packets to a target machine. This work presents the study, development, and implementation of a network packets feature extraction algorithm and three machine learning classifiers - Decision Tree, Naive Bayes, and k-nearest neighbors - for the detection of probing attacks. The four algorithms were implemented in software and hardware. The work also presents detailed results of classification accuracy, throughput, and energy consumption for each implementation.
Keywords: Intrusion Detection. Probing attacks. Machine Learning. Decision Tree. Naive Bayes. KNN. Energy Efficiency.

Lista de publicações:

01: FRANÇA, A. L.; JASINSKI, R. P.; PEDRONI, V. A.; SANTIN, A. O. Moving Network Protection from Software to Hardware: An Energy Efficiency Analysis. In: 2014 IEEE Computer Society Annual Symposium on VLSI (ISVLSI), 2014, Tampa. p. 456-461.

02: FRANÇA, A. L.; JASINSKI, R. P.; CEMIN, P. R.; PEDRONI, V. A.; SANTIN, A. O. The Energy Cost of Network Security: A Hardware vs. Software Comparison. In: 2015 IEEE International Symposium on Circuits and Systems (ISCAS), 2015, Lisbon. (Obs: a ser publicado)

Ações do documento