Explorando Abordagens de Aprendizado Sequencial para Floresta de Caminhos Ótimos

Resumo

Técnicas de reconhecimento de padrões tradicionais, geralmente, encontram dificuldades em lidar com problemas que requerem uma certadependência espacial e/ou temporal. Em determinadas aplicações como, por exemplo, identificação de ataques em uma rede de computadores, cada amostra da base de dados é modelada como sendo um acesso a um determinado computador. O vetor de características é criadoutilizando-se informações do pacote TCP/IP, tais como endereço de origem e destino, tamanho do pacote e permissão para executar algum processo, por exemplo. Ocorre que, muitas vezes, são necessários vários acessos à mesma máquina para ser caracterizado um determinado ataque. Dessa maneira, analisando-se cada acesso individualmente, pode não ser uma alternativa muito interessante. Nesse sentido, técnicas deaprendizado supervisionado sequenciais fazem uso dessa informação com o intuito de aumentar a eficácia das abordagens tradicionais. Dentreas inúmeras abordagens convencionais, podemos citar o classificador Floresta de Caminhos Ótimos (Optimum-Path Forest - OPF), o qual foirecentemente desenvolvido com o intuito de aliar eficiência no processo de treinamento dos dados com eficácia em sua classificação. Assim sendo, o presente trabalho de pesquisa objetiva o estudo dealgumas abordagens de aprendizado sequencial e sua implementação utilizando OPF. A originalidade da proposta consiste na implementaçãodo classificador OPF no ambiente de aprendizado supervisionado sequencial, dado que isto ainda não foi realizado até o momento.