dc.creator.ID |
SOUTO, T. H. D. |
pt_BR |
dc.creator.Lattes |
http://lattes.cnpq.br/9606835453291160 |
pt_BR |
dc.contributor.advisor1 |
PEREIRA, Eanes Torres. |
|
dc.contributor.advisor1ID |
PEREIRA, E. T. |
pt_BR |
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/2030738304003254 |
pt_BR |
dc.contributor.referee1 |
MOURA, José Antão Beltrão. |
|
dc.contributor.referee1ID |
MOURA, E. T. P. |
pt_BR |
dc.contributor.referee2 |
MASSONI, Tiago Lima. |
|
dc.contributor.referee2ID |
MASSONI, T. L. |
pt_BR |
dc.description.resumo |
A indústria de malwares continua a ser
um mercado organizado e eficiente dedicado a
invadir meios de segurança tradicionais [1]. Uma
vez que um sistema é infectado, indivíduos mal
intencionados podem causar prejuízos para
pessoas e empresas de diversas formas. O
propósito deste trabalho é prever, através da
implementação de técnicas de classificação, se
um sistema é vulnerável. O estudo faz a
avaliação dos algoritmos Random Forest e
LGBM aplicados aos dados de máquinas com
sistemas operacionais Windows . Utilizaremos um
conjunto de dados que a Microsoft disponibilizou
em uma plataforma online, esses dados são
divididos em treino e teste com informações
sobre máquinas que utilizam seus sistemas
operacionais. Para ir além, o estudo realizado
pode ser útil como base para pesquisas mais
aprofundadas no campo de análise de
vulnerabilidades com métodos de machine
learning e processamento de dados. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
Centro de Engenharia Elétrica e Informática - CEEI |
pt_BR |
dc.publisher.initials |
UFCG |
pt_BR |
dc.subject.cnpq |
Ciência da Computação. |
pt_BR |
dc.title |
Técnicas de aprendizagem de máquina para detecção de sistemas vulneráveis. |
pt_BR |
dc.date.issued |
2019-11-25 |
|
dc.identifier.uri |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/20550 |
|
dc.date.accessioned |
2021-08-12T19:07:42Z |
|
dc.date.available |
2021-08-12 |
|
dc.date.available |
2021-08-12T19:07:42Z |
|
dc.type |
Trabalho de Conclusão de Curso |
pt_BR |
dc.subject |
Aprendizagem de máquina |
pt_BR |
dc.subject |
Vulnerabilidade de sistemas |
pt_BR |
dc.subject |
Algoritmo Random Forest |
pt_BR |
dc.subject |
Algoritmo LGBM |
pt_BR |
dc.subject |
Sistemas vulneráveis |
pt_BR |
dc.subject |
Processamento de dados |
pt_BR |
dc.subject |
Machine learning |
pt_BR |
dc.subject |
Machine learning |
pt_BR |
dc.subject |
Systems Vulnerability |
pt_BR |
dc.subject |
Random Forest Algorithm |
pt_BR |
dc.subject |
LGBM Algorithm |
pt_BR |
dc.subject |
Vulnerable systems |
pt_BR |
dc.subject |
Data processing |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.creator |
SOUTO, Thales Henrique Dantas. |
|
dc.publisher |
Universidade Federal de Campina Grande |
pt_BR |
dc.language |
por |
pt_BR |
dc.title.alternative |
Machine learning techniques for detecting vulnerable systems |
pt_BR |
dc.identifier.citation |
SOUTO, Thales Henrique Dantas. Técnicas de aprendizagem de máquina para detecção de sistemas vulneráveis. 2019. 12f. (Trabalho de Conclusão de Curso - Artigo) – Curso de Bacharelado em Ciência da Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande, Paraíba, Brasil, 2019. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/20550 |
pt_BR |