Publicação
Deteção de Intrusões e Ataques em Redes Informáticas
| Resumo: | A deteção eficaz de intrusões em redes informáticas constitui um dos desafios mais persistente e crítico da sociedade digital contemporânea. Dada a complexidade das redes modernas, torna-se um desafio constante garantir que o tráfego e os dados armazenados fiquem protegidos contra a intercetação ilícita ou o acesso indevido por parte de terceiros. Apesar dos avanços na criptografia, a proteção da privacidade e da integridade dos dados continua a depender da capacidade de monitorização dos prestadores de serviços e das organizações. Atualmente, as soluções de segurança mais difundidas baseiam-se em assinaturas de ataques conhecidos ou regras estáticas, exigindo uma supervisão constante por parte de administradores de sistemas. Estas técnicas apresentam a desvantagem inerente de gerarem um elevado volume de falsos positivos e de serem ineficazes perante ameaças novas ou variantes comportamentais, o que limita severamente a sua eficiência operacional. Surge, por isso, a necessidade premente de aprofundar o estudo em sistemas autodidatas que possam realizar uma análise inteligente dos dados, distinguindo com maior precisão o tráfego legítimo de ocorrências anormais. O presente trabalho propõe o desenvolvimento e a avaliação de um motor de deteção inteligente, utilizando como base de estudo registos reais de tráfego de uma instituição de ensino superior. O foco incide na aplicação de algoritmos avançados de Machine Learning e Deep Learning de modo a mitigar o impacto de falsos alertas que sobrecarregam os analistas de segurança. Através desta abordagem, pretende-se não apenas identificar anomalias, mas também desenhar uma arquitetura conceptual que permita a integração destas deteções em ecossistemas de monitorização, promovendo uma defesa mais resiliente e autónoma. |
|---|---|
| Autores principais: | Castro, Paulo Francisco Teixeira |
| Assunto: | Deteção de Intrusões Machine Learning Deep Learning Segurança de Redes Anomalias. Intrusion Detection Machine Learning Deep Learning Network Security Anomalies. |
| Ano: | 2026 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade Politécnica de Viseu |
| Idioma: | português |
| Origem: | Repositório Científico da Universidade Politécnica de Viseu |
| Resumo: | A deteção eficaz de intrusões em redes informáticas constitui um dos desafios mais persistente e crítico da sociedade digital contemporânea. Dada a complexidade das redes modernas, torna-se um desafio constante garantir que o tráfego e os dados armazenados fiquem protegidos contra a intercetação ilícita ou o acesso indevido por parte de terceiros. Apesar dos avanços na criptografia, a proteção da privacidade e da integridade dos dados continua a depender da capacidade de monitorização dos prestadores de serviços e das organizações. Atualmente, as soluções de segurança mais difundidas baseiam-se em assinaturas de ataques conhecidos ou regras estáticas, exigindo uma supervisão constante por parte de administradores de sistemas. Estas técnicas apresentam a desvantagem inerente de gerarem um elevado volume de falsos positivos e de serem ineficazes perante ameaças novas ou variantes comportamentais, o que limita severamente a sua eficiência operacional. Surge, por isso, a necessidade premente de aprofundar o estudo em sistemas autodidatas que possam realizar uma análise inteligente dos dados, distinguindo com maior precisão o tráfego legítimo de ocorrências anormais. O presente trabalho propõe o desenvolvimento e a avaliação de um motor de deteção inteligente, utilizando como base de estudo registos reais de tráfego de uma instituição de ensino superior. O foco incide na aplicação de algoritmos avançados de Machine Learning e Deep Learning de modo a mitigar o impacto de falsos alertas que sobrecarregam os analistas de segurança. Através desta abordagem, pretende-se não apenas identificar anomalias, mas também desenhar uma arquitetura conceptual que permita a integração destas deteções em ecossistemas de monitorização, promovendo uma defesa mais resiliente e autónoma. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.