Banca de QUALIFICAÇÃO: JAIRO ANTONIO RESENDE PAVIANI

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: JAIRO ANTONIO RESENDE PAVIANI
DATA: 29/05/2026
HORA: 09:00
LOCAL: Sala da pós-graduação
TÍTULO:

Análise do impacto da representação temporal de dados na detecção de ataques de DDoS

PALAVRAS-CHAVES:

Ataques DDoS; Séries temporais; Dataset temporal; Detecção de intrusão; Aprendizado de máquina; Transformers; Tráfego de rede

PÁGINAS: 103
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:

Os ataques distribuídos de negação de serviço (DDoS) representam uma ameaça relevante à disponibilidade de serviços web, com impactos operacionais e econômicos para diferentes organizações. Técnicas de machine learning e deep learning têm sido empregadas na detecção desses ataques, frequentemente com resultados elevados. No entanto, muitos estudos utilizam datasets em formato tabular, nos quais os registros são avaliados de forma independente, sem considerar a evolução temporal do tráfego de rede. Essa limitação pode influenciar a avaliação
dos modelos, pois o comportamento dos ataques ocorre ao longo do tempo e não apenas em
registros isolados.
Esta pesquisa investiga o impacto da representação temporal dos dados na detecção de ataques DDoS. Para isso, propõe-se a construção de um dataset temporal a partir de capturas de tráfego de rede (packet capture – PCAP), com uso de janelas deslizantes para representar a variação do tráfego ao longo do tempo. A metodologia contempla a extração de informações em nível de pacote, a consolidação cronológica dos registros, a construção de janelas temporais, a extração de características agregadas e a rotulagem estatística das amostras com base em um
período benigno de referência.
Os experimentos consideram algoritmos supervisionados de machine learning e arquiteturas temporais, incluindo modelos baseados em Transformers, com o objetivo de comparar o desempenho dos modelos em representações temporais e não temporais dos dados. A avaliação é organizada com separação temporal entre os conjuntos de treinamento e teste, utilizando dados de dias distintos de captura. As métricas consideradas incluem acurácia, precisão, recall, F1-score, taxa de falsos positivos e matriz de confusão.
Espera-se que os resultados contribuam para compreender como a forma de estruturação dos dados influencia o desempenho dos modelos de detecção de DDoS. Com isso, a pesquisa busca apoiar avaliações experimentais mais próximas da dinâmica do tráfego de rede e ampliar a discussão metodológica sobre o uso de datasets em estudos de detecção de ataques.

MEMBROS DA BANCA:
Presidente - LUIZ HENRIQUE ANDRADE CORREIA (Membro)
Externo à Instituição - JÚLIO CÉZAR ESTRELA - USP (Membro)
Interno - DEMOSTENES ZEGARRA RODRIGUEZ (Membro)
Externo à Instituição - DANIEL FERNANDES MACEDO - UFMG (Suplente)
Interno - ANDRE DE LIMA SALGADO (Suplente)