Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://www.bdtd.uerj.br/handle/1/20294
Tipo do documento: | Dissertação |
Título: | Detecção de anomalias em séries temporais variáveis com LSTM-RNNS |
Título(s) alternativo(s): | Anomaly detection in variable time series with LSTM-RNNS |
Autor: | Martines, Bruno Andrade |
Primeiro orientador: | Sánchez- Pi, Nayat |
Segundo orientador: | Costa, Rosa Maria Esteves Moreira da |
Primeiro membro da banca: | Martí, Luis |
Segundo membro da banca: | González Arenas, Zochil |
Resumo: | A quantidade e disponibilidade de dados e informações cresce continuamente, e paralelamente, cresce o número de anomalias, ameaças, intrusões ou ataques cibernéticos. Neste trabalho é proposto um método, que utiliza modelos combinados, híbridos de aprendizagem de máquina, para analisar amostras de dados explorando previsão de cenários para detectar ameaças e anomalias. Nem sempre encontramos grandes conjuntos de dados reais - datasets - com amostras de dados equilibradas, ou seja, um número de sinalizações de anomalias e estados normais de um sistema, ou ambiente, em proporções iguais. O método foi desenvolvido explorando Long Short- Term Memory para trabalhar satisfatoriamente com diferentes configurações e tipos de conjunto de dados. Ele usa técnicas de agrupamento, classificação e previsão de dados, analisando diferentes estados ao longo do tempo, definindo o comportamento normal e detectando anomalias. Essa abordagem também usa técnicas para tornar menos necessário ter dados rotulados e sinalizados, ou qualquer outra indicação de seu uso ou informações confidenciais que não podem ser reveladas. O modelo permitiu analisar as anomalias, observando suas vantagens e suas limitações, com modelos satisfatórios para detectá-las |
Abstract: | The amount and availability of data and information grow continuously, and in parallel, the number of anomalies, corrections, intrusions, or cybernetics increases. This work proposes a combined model, which explores hybrid machine learning, to analyze data samples and detect anomalies and threats through scenario prediction. We do not always find large sets of real data - datasets - with balanced data samples, that is, many anomaly signals and normal states of a system, or environment, in equal proportions. The method was developed by exploring Long Short-Term Memory to work satisfactorily with different configurations and types of data set. It uses data grouping, classification, and fo- recasting techniques, analyzing states over time, defining normal behavior, and detecting anomalies. This approach also uses techniques to make it less necessary to have labeled and flagged data or any other indication of its use or sensitive information that cannot be revealed. The model allowed analyzing the anomalies, observing their advantages and limitations, with satisfactory models to detect them. |
Palavras-chave: | Machine learning Time series Intrusion Anomalies Aprendizado do computador Séries temporais Segurança de dados Aprendizagem de máquina Intrusão Anomalias |
Área(s) do CNPq: | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade do Estado do Rio de Janeiro |
Sigla da instituição: | UERJ |
Departamento: | Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística |
Programa: | Programa de Pós-Graduação em Ciências Computacionais |
Citação: | MARTINS, Bruno Andrade. Detecção de anomalias em séries temporais variáveis com LSTM- RNNS. 2020. 57 f. Dissertação (Mestrado em Ciências Computacionais) – Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2020. |
Tipo de acesso: | Acesso Aberto |
URI: | http://www.bdtd.uerj.br/handle/1/20294 |
Data de defesa: | 19-Mar-2020 |
Aparece nas coleções: | Mestrado em Ciências Computacionais |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação - Bruno Andrade Martins - 2020 - Completa.pdf | Dissertação completa | 1,12 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.