Aprendizado de máquina e seu impacto em sistemas de detecção de intrusão: uma revisão sistemática de literatura

Abstract

A disseminação de serviços digitais ao longo dos anos tem sido cada vez mais abrangente e em todos os setores do nosso dia a dia. Porém, com essa evolução surgem formas cada vez mais sofisticadas de perpetrar ciberataques no meio digital, levando muitas vezes a prejuízos inestimáveis. A fim de identificar atividades potencialmente maliciosas, a literatura apresenta diversos sistemas de detecção de intrusão (IDS), que relatam atividade perigosa caso os padrões de rede e sistema sejam considerados anômalos. Esses sistemas (IDSs) podem utilizar algoritmos de aprendizado de máquina, que analisam dados continuamente comparando os padrões de amostras saudáveis e não saudáveis, permitindo traçar uma resposta em função da percepção de risco. Assim, o presente trabalho promove uma revisão de literatura de acordo com o método de Kitchenham e Charters (2007), buscando identificar quais algoritmos de aprendizado de máquina empregados, sua classificação quanto à abordagem, principais métricas de performance, bem como aspectos vantajosos e limitações de uso de algoritmos de aprendizado de máquina em IDSs. Busca fornecer, ainda, tendências e desafios dessas aplicações e, com isso, estruturar conhecimentos sobre algoritmos de aprendizado de máquina e sua aplicabilidade em sistemas de detecção de intrusão (IDS).