Use este identificador para citar ou linkar para este item:
https://repositorio.ufpe.br/handle/123456789/66309
Compartilhe esta página
Título: | Antivírus baseado em aprendizado extremo visando a detecção preventiva de Ransomware |
Autor(es): | CALDAS, Lucas Rattes Lima |
Palavras-chave: | Malware; Ransomware; Máquinas morfológicas de aprendizado extremo; Segurança cibernética |
Data do documento: | 5-Set-2025 |
Citação: | CALDAS, Lucas Rattes Lima. Uso de máquinas de aprendizado extremo com operadores morfológicos na detecção preventiva de Ransomware. 2025. 65f. Trabalho de Conclusão de Curso (Graduação) - Curso de Engenharia Eletrônica, Departamento de Eletrônica e Sistemas, Centro de Tecnologia e Geociências, Universidade Federal de Pernambuco, Recife, 2025. |
Abstract: | Ransomware são programas maliciosos que bloqueiam ou criptografam dados do usuário, exigindo pagamento para restaurar o acesso às informações comprometidas. Essa família de malware (malicioso + software) tem se destacado pela crescente sofisticação, como o uso de técnicas de criptografia robustas, mecanismos de persistência avançados e vetores de disseminação altamente eficientes. A proposta apresentada neste trabalho consiste na criação de uma solução antivírus própria, baseada em uma arquitetura de aprendizado extremo, voltada para a detecção e contenção preventiva de ransomware. O antivírus autoral é capaz de identificar ransomware antes de ser iniciado pelo usuário. Os experimentos demonstraram uma taxa média de assertividade de 99,87% na distinção entre softwares legítimos e ameaças do tipo ransomware, com tempo médio de treinamento de apenas 3,75 segundos, evidenciando alto desempenho e resposta rápida. Assim, a solução contribui de forma significativa para o fortalecimento da segurança cibernética. |
URI: | https://repositorio.ufpe.br/handle/123456789/66309 |
Aparece nas coleções: | (TCC) - Eletrônica e Sistemas |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC Lucas Rattes Lima Caldas.pdf | 6,27 MB | Adobe PDF | Visualizar/Abrir |
Este arquivo é protegido por direitos autorais |
Este item está licenciada sob uma Licença Creative Commons