dir. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
| Títol variant: |
Machine Learning per a detecció d'intrusions a la xarxa informàtica |
| Títol variant: |
Machine Learning para la detección de intrusiones en una red informática |
| Data: |
2021 |
| Resum: |
With the increasing number of systems that rely on the Internet, it is essential to provide security mechanisms to cope with malicious connections and data. In order to protect these networks, IDS are one of the many approaches that exist to guarantee this security, and one of the most popular procedures when building them is using Machine Learning. This project is centered on studying different supervised learning algorithms to train an Intrusion Detection System. Concretely, we will generate a series of datasets using different methods for feature selection, PCA and Pearson correlation, and we will evaluate the performance of four models, Decision Trees, Support Vector Machines, Random Forest and Neural Networks, when training them with each set of data. |
| Resum: |
Amb l'augment del nombre de sistemes que depenen d'Internet, és essencial proporcionar mecanismes de seguretat per fer front a connexions i dades malignes. Amb la finalitat de protegir aquestes xarxes, els Sistemes de Detecció d'Intrusos són un dels molts enfocaments que existeixen per garantir aquesta seguretat, i un dels procediments més populars a l'hora de construir-los és usant Aprenentatge Automàtic. Aquest projecte es centra en estudiar diferents algoritmes d'aprenentatge supervisats per entrenar un sistema de detecció d'intrusos. Concretament, generarem una sèrie de datasets utilitzant diferents mètodes de selecció d'atributs, com a PCA i correlació de Pearson, i avaluarem el rendiment de quatre models, Arbres de Decisió, Màquines de Suport de Vectors, Boscs aleatoris i Xarxes Neuronals, quan els entrenem amb cada set de dades. |
| Resum: |
Con el aumento del número de sistemas que dependen de Internet, es esencial proporcionar mecanismos de seguridad para hacer frente a conexiones y datos malignos. Con el fin de proteger estas redes, los Sistemas de Detección de Intrusos son uno de los muchos enfoques que existen para garantizar dicha seguridad, y uno de los procedimientos más populares a la hora de construirlos es usar Aprendizaje Automático. Este proyecto se centra en estudiar diferentes algoritmos de aprendizaje supervisados para entrenar un Sistema de Detección de Intrusos. Concretamente, generaremos una serie de datasets utilizando diferentes métodos de selección de atributos, como PCA y correlación de Pearson, y evaluaremos el rendimiento de cuatro modelos, Árboles de Decisión, Máquinas de Vectores de Soporte, Bosques aleatorios y Redes Neuronales, cuando los entrenamos con cada set de datos. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Anglès |
| Titulació: |
Grau en Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Àrea temàtica: |
Menció Tecnologies de la Informació |
| Matèria: |
Machine Learning ;
Aprenentatge automàtic ;
Aprendizaje Automático ;
IDS ;
PCA ;
Pearson Correlation ;
Correlació de Pearson ;
Correlación de Pearson ;
SVM ;
Neural Network ;
Xarxa Neuronal ;
Red Neuronal ;
Decision Tree ;
Arbre de Decisió ;
Árbol de Decision ;
Random Forest ;
Boscs aleatoris ;
Bosques Aleatorios ;
Random Search ;
Cerca Aleatoria ;
Búsqueda Aleatoria |
visitant ::
identificació
dir. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
