Implementação de Modelos Transformers não supervisionados para a Predição de Ataques DDoS

• Processo: 25/01627-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Michele Nogueira Lima
• Beneficiário: Amanda Silveira Barbosa
• Instituição Sede: Instituto de Ciências Exatas (ICEx). Universidade Federal de Minas Gerais (UFMG). Belo Horizonte , SP, Brasil
• Vinculado ao auxílio: 18/23098-0 - MENTORED: da modelagem à experimentação - predizendo e detectando ataques DDoS e zero-day, AP.TEM
• Assunto(s): Internet das coisas Segurança de redes Redes de computadores
• Palavra(s)-Chave do Pesquisador: Internet das Coisas | Segurança de Redes | Redes de Computadores

Resumo

A predição de ataques DDoS tem evoluído ao longo do tempo, aprimorando a detecção de ameaças cibernéticas e tornando a proteção dos sistemas mais eficiente. No entanto, essa predição ainda enfrenta desafios, principalmente devido ao crescimento da complexidade e sofisticação dos ataques. Diante desse cenário, torna-se essencial o desenvolvimento de soluções mais adaptáveis, capazes de antecipar ataques de forma eficaz em diferentes contextos. Assim, esta iniciação científica propõe a pesquisa e implementação de modelos Transformers não supervisionados para a predição de ataques DDoS. Essa abordagem busca superar limitações existentes, explorando a capacidade dos Transformers de identificar padrões ocultos sem a necessidade de dados rotulados. O objetivo é contribuir para a evolução das estratégias de predição de ataques no contexto do projeto MENTORED, fortalecendo a segurança cibernética por meio de técnicas avançadas de aprendizado de máquina.