Faculdade de Computação - FACOMP/ICEN
URI Permanente para esta coleção
Navegar
Navegando Faculdade de Computação - FACOMP/ICEN por Orientador "CAMPOS, Lídio Mauro Lima de"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Comparação de modelos preditivos para detecção de intrusão em redes de computadores(2018) BENTES, Eliel dos Santos; CAMPOS, Lídio Mauro Lima de; http://lattes.cnpq.br/0970111009687779Dentre as tarefas de mineração de dados a classificação é a que mais se destaca quando se deseja descobrir um modelo de conhecimento em banco de dados. Porém, para se construir um modelo eficiente é imprescindível que a classificação de dados seja realizada com dados mais próximos possíveis da realidade e com algoritmos que possuam ótimo desempenho. Nesse contexto, muitos estudos são feitos utilizando as técnicas de mineração de dados como ferramenta fundamental em um Sistema de Detecção de Intrusão. Esses sistemas são essenciais para complementar a segurança de um ambiente de redes de computadores, onde a análise do tráfego da rede precisa ser feita com rapidez e precisão a fim de impedir um acesso indesejado. Nesse trabalho de conclusão de curso realizaram-se simulações em um ambiente de detecção de intrusão onde foram analisados os desempenhos de dois algoritmos de aprendizado de máquina, o Árvore de Decisão e o Naive Bayes na tarefa de classificação de conexões normais ou anormais utilizando o dataset KDDCUP’99. A classificação do conjunto de dados foi realizada em duas etapas, na primeira com apenas duas classes de conexão (normal e anormal) utilizando a técnica de validação cruzada com valor de k menor ou igual a 10. Na segunda com cinco classes de detecção (quatro para ataques e uma normal) usando o valor de k maior ou igual a 10. As medidas de desempenho utilizadas para os algoritmos foram: taxa de acertos, taxa de erros e o tempo para construção do modelo. Os experimentos foram realizados utilizando o ambiente WEKA.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Predição de séries temporais da velocidade do vento no Brasil(2021-10-06) FIGUEIREDO, Yann Fabricio Cardoso de; CAMPOS, Lídio Mauro Lima de; http://lattes.cnpq.br/0970111009687779; https://orcid.org/0000-0003-4315-829XHistoricamente o Brasil tˆem sua produ¸c˜ao de energia el´etrica sustentada por duas principais fontes de gera¸c˜ao, a hidroel´etrica e a termoel´etrica, sendo que a segunda, em muitas das usinas, ´e utilizada mais quando a primeira tem um per´ıodo de baixa. Nos ´ultimos anos o Brasil vem aumentando as pesquisas e consequentemente o uso de outro tipo de gera¸c˜ao de energia, a e´olica, sendo esta atualmente a segunda maior fonte de gera¸c˜ao de energia no pa´ıs. A gera¸c˜ao de energia e´olica possui como vantagem o fato de ser um tipo de energia limpa, ajudando assim na preserva¸c˜ao do meio ambiente. Apesar de ser ben´efica e mais barata que as demais fontes de energia citadas, a gera¸c˜ao por turbinas e´olicas enfrenta um problema de imprevisibilidade quanto ao recurso principal, o vento. Surge ent˜ao uma necessidade cada vez maior em pesquisar formas de predizer a disponibilidade do vento com base em certas vari´aveis, como a velocidade do vento. Este trabalho tˆem o objetivo de desenvolver modelos de predi¸c˜ao da velocidade do vento, usando para isto t´ecnicas de inteligˆencia artificial aplicadas juntamente de Redes Neurais Artificiais Profundas (RNAPs) atrav´es das arquiteturas de rede direta (Deep Feedforward) e recorrente (LSTM), para assim ter uma no¸c˜ao mais completa da disponibilidade de energia e´olica nas regi˜oes estudadas. A pesquisa foi feita com base em vari´aveis meteorol´ogicas dos reposit´orios do INMET (Instituto Nacional de Meteorologia), no caso da esta¸c˜ao e´olica de Macau (RN), e do SONDA (Sistema de Organiza¸c˜ao Nacional de Dados Ambientais), no caso da esta¸c˜ao e´olica de Petrolina (PE). Ambas bases de dados cont´em informa¸c˜oes do per´ıodo de 1 de janeiro de 2004 a 31 de maio de 2017 na base com dados em formato de dias, 1 de junho de 2016 a 31 de maio de 2017 na base com dados em formato de horas, e 27 de maio de 2017 a 31 de maio de 2017 com a base em formato de minutos. Para um ´unico modelo de predi¸c˜ao espec´ıfico, com a base em formato de dias, a s´erie temporal vai de 1 de janeiro de 2015 a 31 de julho de 2018. No total foram gerados 15 modelos, criados a partir da aplica¸c˜ao de Ensemble Learning Methods, no caso voting e bagging, em diversos submodelos criados para cada base e prazo de dados. O melhor modelo foi usando a base de Petrolina de curto prazo, com registros disponibilizados no formato de horas, obtido ao ser usado o m´etodo bagging para criar o modelo final. O melhor modelo obteve MAE de 0.0036, MAPE de 0.0012% e RMSE de 0.0143.