logo-ri

Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)

Please use this identifier to cite or link to this item: https://www.repositorio.mar.mil.br/handle/ripcmb/847712
Title: Defesa cibernética: o emprego de sistemas de detecção de intrusão com apoio de aprendizado de máquina para otimizar a detecção de ataques
Authors: Oliveira, Rosana Leandro de
metadata.dc.contributor.advisor: Pimenta, Bruno Roberto de Gouvêa Rodrigues
Keywords: Aprendizado de Máquina
Defesa Cibernética
Sistemas de Detecção de Intrusão
DGPM knowledge areas: Sistema de armas
Issue Date: 2024
Publisher: Escola de Guerra Naval (EGN)
Description: RESUMO Os ataques cibernéticos têm se expandido nos últimos anos, causando impactos devastadores. Em virtude disso, a preocupação dos Estados com a defesa cibernética aumentou, levando à adoção de medidas de proteção que visam mitigar as vulnerabilidades existentes. Essas medidas têm incentivado a pesquisa e a implementação de tecnologias voltadas à proteção das informações e das infraestruturas críticas. Os Sistemas de Detecção de Intrusão (IDS) são ferramentas essenciais para monitorar e prevenir ataques cibernéticos, com o objetivo de tornar o espaço cibernético mais seguro. Soluções de inteligência artificial, especificamente aquelas baseadas em aprendizado de máquina, têm sido cada vez mais utilizadas para automatizar a detecção de ataques e enfrentar os complexos desafios da segurança cibernética. Este trabalho tem como objetivo analisar a contribuição do uso de aprendizado de máquina na implementação de sistemas IDS. Para atingir esse objetivo, foram realizadas pesquisas sobre o estado da arte que empregam técnicas de aprendizado de máquina e aprendizado profundo na implementação de sistemas de detecção de intrusão. Com base nas pesquisas analisadas, concluiu-se que o aprendizado de máquina e o aprendizado profundo oferecem caminhos promissores para a detecção de intrusões, sendo que técnicas supervisionadas, como SVM e ANN, já demonstraram sucesso significativo, enquanto as abordagens de aprendizado profundo, como CNN e RNN, oferecem ainda mais precisão e capacidade de detecção de padrões complexos.
Trabalho apresentado à Escola de Guerra Naval, como requisito parcial para conclusão do Curso Superior (C-SUP 2024)
Abstract: ABSTRACT CYBER DEFENSE: THE USE OF INTRUSION DETECTION SYSTEMS SUPPORTED BY MACHINE LEARNING TO OPTIMIZE ATTACK DETECTION. Cyberattacks have expanded in recent years, causing devastating impacts. As a result, state concerns over cybersecurity have increased, leading to the adoption of protective measures aimed at mitigating existing vulnerabilities. These measures have encouraged research and the implementation of technologies focused on protecting information and critical infrastructures. Intrusion Detection Systems (IDS) are essential tools for monitoring and preventing cyberattacks, with the goal of making cyberspace safer. Artificial intelligence solutions, specifically those based on machine learning, have been increasingly used to automate attack detection and address the complex challenges of cybersecurity.This work aims to analyze the contribution of machine learning in the implementation of IDS systems. To achieve this goal, state-of-the-art research employing machine learning and deep learning techniques in the implementation of intrusion detection systems was conducted. Based on the analyzed research, it was concluded that machine learning and deep learning offer promising paths for intrusion detection, with supervised techniques such as SVM and ANN already demonstrating significant success, while deep learning approaches, such as CNN and RNN, offer even greater accuracy and the ability to detect complex patterns.
Access: Open access
URI: https://www.repositorio.mar.mil.br/handle/ripcmb/847712
Type: Bachelor thesis
Appears in Collections:Defesa Nacional: Coleção de Trabalhos de Conclusão de Curso

Files in This Item:
File Description SizeFormat 
CSUP24_CC_T_ROSANA_LEANDRO.pdf286,22 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.