Avaliação de algoritmos de aprendizado de máquina para a detecção de tráfego anômalo em ambiente sem fio doméstico

O advento tecnológico ocorrido nos últimos anos popularizou e democratizou o acesso à rede mundial de computadores, propiciando o surgimento de novas tecnologias multimídias hospedadas remotamente e na alta oferta de conteúdos e serviços disponibilizados na Internet. O principal impacto social consequente desses acontecimentos foi no tempo que as pessoas dedicam ao uso de seus aparelhos eletrônicos. Na contramão dos benefícios oferecidos por este avanço tecnológico o número de usuários mal-intencionados que utilizam métodos para driblar a segurança em roteadores de borda aumentou exponencialmente, eles utilizam artifícios que demandam de uma criatividade cada vez maior oferecendo riscos principalmente para usuários leigos. Por essa razão, a utilização de modelos que identificam anomalias no tráfego de roteadores de borda geradas por ataques apresenta-se com grande importância, visto que as técnicas de segurança estão aplicadas principalmente em servidores. Este trabalho promove uma avaliação dos principais algoritmos de aprendizado de máquina supervisionados, com a intenção verificar o comportamento apresentado por esses algoritmos na detecção de anomalias geradas por ataques de negação de serviço, em um dataset contendo o tráfego de uma rede doméstica simulada em laboratório. Os algoritmos KNN, Naive Bayes e Árvore de Decisões foram utilizadas na realização dos experimentos que de maneira geral ambos os algoritmos obtiveram um desempenho acima dos 90% de precisão, no entanto o KNN se apresentou como melhor algoritmo mesmo considerando a necessidade de um processamento maior em comparação aos outros algoritmos.