Utilizando algoritmos adaptativos de aprendizado de máquina para alerta de risco de informação e consciência de cenários de segurança de rede em ambientes de computação em nuvem

Jiahao Luo; Jingjing Xie

doi:10.3791/69633

É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Utilizando algoritmos adaptativos de aprendizado de máquina para alerta de risco de informação e consciência de cenários de segurança de rede em ambientes de computação em nuvem

87 visualizações

⸱

DOI:

10.3791/69633

⸱

2 de junho de 2026

Jiahao Luo¹ , Jingjing Xie¹

¹Department of Information, Shanghai Proton and Heavy Ion Center, Shanghai Key Laboratory of Radiation Oncology, Shanghai Engineering Research Center of Proton and Heavy Ion Radiation Therapy

Neste artigo

Resumo

O artigo propõe uma solução inovadora baseada em Aprendizado de Máquina (ML) para segurança de rede adaptativa em um sistema baseado em nuvem que integra classificação hierárquica multirótulo e um sistema dinâmico de avaliação de confiança para avançar a precisão da detecção de ameaças e diminuir o número de falsos positivos.

Resumo

Este estudo propõe uma nova estrutura para consciência situacional e alerta de risco em segurança de redes em ambientes de computação em nuvem, integrando Aprendizado de Máquina (ML) adaptativo, Classificação Multi-Rótulo Hierárquica (HMC) e um mecanismo dinâmico de avaliação de confiança baseado no modelo de nuvem. A complexidade, diversidade e natureza em tempo real dos novos ataques cibernéticos — como exploits zero-day, negação de serviço distribuída (DDoS) e botnets — representam desafios significativos para métodos tradicionais de detecção estática e baseados em regras. Para enfrentar esses desafios, desenvolvemos uma arquitetura de nuvem eficaz baseada em SDN, utilizando o controlador Ryu OpenFlow e switches OpenFlow. Essa arquitetura permite coleta de informações de links em tempo real, escalonamento dinâmico e transmissão de dados escalável e confiável. A estrutura de classificação hierárquica sugerida pode dividir problemas multiclasse em tarefas binárias, aliviando o efeito do desequilíbrio amostral e aumentando o reconhecimento de ataques de baixa frequência, incluindo User to Root (U2R). Técnicas de aprendizado em conjunto, incluindo AdaBoost e Bagging, aprimoram ainda mais a precisão da detecção para tipos de ataques finos. Experimentos realizados com conjuntos de dados DDoS, dados de tráfego em nuvem e simulações no Mininet e EstiNet demonstram que a abordagem combinada ML-HMC-trust melhora significativamente a precisão da detecção, reduz falsos positivos e possibilita resposta em tempo real. Esses resultados confirmam que integrar aprendizado adaptativo, classificação hierárquica e avaliação dinâmica de confiança oferece uma solução robusta e escalável para proteger plataformas de nuvem em grande escala.

Introdução

Com a ampla aplicação da tecnologia de computação em nuvem em vários setores, a escala e a quantidade de dados nos sistemas de informação estão aumentando rapidamente, e as ameaças de rede estão se tornando mais complexas, ocultas e^dinâmicas ^1,2. Mecanismos tradicionais de defesa de segurança baseados em regras e modelos estáticos não conseguem mais atender aos requisitos de detecção em tempo real com alerta precoce preciso diante de estratégias de ataque em mudança, vulnerabilidades zero-day e ataques distribuídos em grande^{escala 3}. Portanto, aproveita....