Show simple item record

dc.contributor.advisorSchaeffer Filho, Alberto Egonpt_BR
dc.contributor.authorPossebon, Isadora Pedrinipt_BR
dc.date.accessioned2018-04-26T02:34:08Zpt_BR
dc.date.issued2018pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/175127pt_BR
dc.description.abstractClassificação de tráfego de rede tem atraído bastante atenção e esforços de pesquisas, pois uma grande quantidade de áreas é beneficiada por esses estudos - desde segurança e gerenciamento de redes, qualidade de serviço (Quality of Service - QoS), sistemas de cobrança de tráfego de rede até detecção de intrusões (Intrusion Detection Systems - IDS). Inspirado em pesquisas anteriores, este trabalho apresenta uma análise comparativa entre técnicas de meta-learning e classificadores individuais para classificação de tráfego de rede. As técnicas utilizadas foram as mais comumente encontradas na literatura e disponibilizadas pela biblioteca scikit-learn, para a linguagem Python. Além disso, uma técnica adicional foi implementada (Stacking), devido aos bons resultados deste método apresentados na literatura. Com isso em mente, propõe-se uma análise experimental de diferentes técnicas de metalearning - também conhecidas como ensemble learners - em comparação com os seus classificadores base quando aplicados individualmente. Para este fim, propõe-se, ainda, uma arquitetura de sistema. Os experimentos foram realizados com dois conjuntos de dados distintos: dados gerados artificialmente e dados reais, disponibilizados publicamente.pt_BR
dc.description.abstractNetwork traffic classification has attracted attention and research efforts because a large number of areas benefit from such studies - from network security and management, quality of service (QoS), network traffic collection systems to intrusion detection (IDS). Inspired by previous research, this work presents a comparative analysis between metalearning approaches and individual classifiers to classify network traffic data. The most common techniques found in the literature are available from the scikit-learn library, for Python. In addition, an extra technique was implemented (Stacking), due to good results of this method disclosed in the literature. With this in mind, we propose an experimental analysis of different meta-learning techniques - also known as ensemble learners - in comparison with their own base classifiers when used individually. To this end, we also propose a system architecture. The experiments were performed with two distinct data sets: artificially generated data and real data, publicly available.en
dc.format.mimetypeapplication/pdf
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectInformatica : Transportespt_BR
dc.subjectMeta-learningen
dc.subjectNetwork trafficen
dc.subjectClassificationen
dc.subjectStackingen
dc.subjectScikit-learnen
dc.subjectEnsemble learnersen
dc.titleClassificação de tráfego de rede utilizando técnicas de meta learningpt_BR
dc.title.alternativeNetwork traffic classification using meta-learning techniques en
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisor-coSilva, Anderson Santos dapt_BR
dc.identifier.nrb001065157pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Informáticapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2018pt_BR
dc.degree.graduationCiência da Computação: Ênfase em Ciência da Computação: Bachareladopt_BR
dc.degree.levelgraduaçãopt_BR


Files in this item

Thumbnail
   

This item is licensed under a Creative Commons License

Show simple item record