Máquina de elementos finitos para seleção de características de anomalias em redes de computadores

Abstract

Identificar anomalias tornou-se uma das principais estratégias para procedimentos de segurança e proteção em redes de computadores. No entanto, é uma tarefa desafiadora para os seres humanos, pois requer a avaliação de um grande volume de dados diários para descobrir um comportamento inesperado. Nesse contexto, os métodos baseados em aprendizado de máquina surgem como uma solução elegante para ajudar a identificar esses comportamentos. Além disso, técnicas inteligentes para remover informações irrelevantes de conjuntos de dados, ou seja, selecionar caracaterísticas, podem aumentar a eficiência e reduzir o tempo de processamento. Portanto, esta dissertação propõe uma nova abordagem de seleção de recursos chamada Finite Element Machine Feature Selection (FEMa-FS). O método utiliza elementos finitos, como a função inversa de Shepard, para identificar as características mais representativas em conjuntos de dados. Finalmente, o FEMa-FS seleciona as características mais relevantes para identificar anomalias no tráfego da rede, que são posteriormente empregadas para alimentar o classificador Optimum-Path-Forest. O método provou sua eficiência na redução de informações irrelevantes e pode aumentar a precisão da classificação em até 2%.

Identifying anomalies has become one of the primary strategies towards security and protection procedures in computer networks. However, such an approach denotes a chal- lenging task for human beings since it requires assessing a large volume of daily data to uncover unexpected behavior. In this context, machine learning-based methods emerge as an elegant solution to help to identify such unexpected behaviors. Further, intelligent techniques to remove irrelevant information from datasets, namely feature selection, can increase and reduce the processing time. Therefore, this dissertation proposes a novel feature selection approach called Finite Element Machine Feature Selection (FEMa- FS). The method uses finite elements, such as Shepard’s inverse function, to identify the most representative characteristics in datasets. Finally, FEMa-FS selects the most rele- vant features to identify anomalies in network traffic which are further employed to feed the Optimum Path Forest classifier. The method has proved its efficiency in reducing irrelevant information and could increase classification accuracy up to 2%