Autor: Abreu Esttebam Tavares Quevedo (Currículo Lattes)
Resumo
O tráfego de rede é um dos principais meios de comunicação da atualidade, sendo essencial para o funcionamento adequado de diversas atividades do nosso cotidiano. No mundo globalizado da internet, há inúmeras pessoas mal-intencionadas que visam prejudicar ou extorquir suas vítimas, tornando os ataques de DDoS uma ameaça constante. Diante desse problema, observa-se a existência de diversos modelos e algoritmos, embora ainda estejam longe de alcançar seu desempenho ideal. O objetivo deste trabalho é comparar e avaliar o impacto de uma abordagem de Engenharia de Atributos na melhoria do desempenho de algoritmos de predição de ataques DDoS Random Forest e XGBoost. A abordagem proposta consiste na otimização de modelos preditivos por meio da geração de novos atributos transformados, utilizando uma técnica de agregação baseada na Integral de Choquet Generalizada com a variação do parâmetro alpha adaptativo. Após a seleção das características mais relevantes via algoritmo SelectKBest, cada atributo original é individualmente processado pela Integral de Choquet para capturar interdependências e comportamentos não lineares que métodos convencionais podem ignorar. Os resultados demonstram que esta integração de características fuzzy permite que modelos como Random Forest e XGBoost alcancem maior estabilidade e precisão, resultando em uma redução significativa de alarmes falsos em tráfego legítimo.
Palavras-chave:
Detecção de Anomalias, Integral de Choquet Generalizada, Engenharia de Atributos, Detecção de DDoS, Lógica Fuzzy