Detecção de Intrusão em Redes Modernas

Estudo com Método Híbrido de Redes Neurais

Resumo

Introdução. A área da cibersegurança está em constante evolução. Novas ameaças surgem com a mesma velocidade que as tecnologias de defesa. Métodos híbridos de Inteligência Artificial (IA) têm se mostrado promissores na criação de Sistemas de Detecção de Intrusão (IDS) mais robustos. Objetivo. Aplicar método híbrido que combina Redes Neurais Artificiais (RNA) e o algoritmo K-Nearest Neighbors (KNN) em dataset com sinistros de segurança para verificar a relevância e desempenho na detecção das intrusões. Metodologia. Foi conduzida pesquisa quantitativa e experimental utilizando a base de dados pública NSL-KDD. Implementados três modelos: RNA, KNN e o modelo Híbrido (RNA+KNN),treinados e testados. O desempenho foi comparado utilizando métricas de acurácia, precisão, recall, F1-score e tempo de processamento. Resultados. O modelo híbrido demonstrou superioridade, alcançando acurácia de 99,2%, superando modelos de RNA (97,8%) e KNN (96,5%) isoladamente. Notavelmente, o método híbrido obteve redução significativa na taxa de falsos positivos, com custo computacional marginalmente maior, considerado trade-off aceitável. Considerações Finais. O método híbrido mostrou-se abordagem eficaz e robusta para a detecção de intrusão em redes, mesmo seis anos após a proposição inicial. A combinação sinérgica das duas técnicas oferece equilíbrio superior entre precisão e capacidade de detecção, validando a aplicabilidade em ambientes de rede modernos.