ós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.259
Aluna: Maria Gabriela Lima Damasceno
Orientador: Prof. Andson Marreiros Balieiro
Título: Evaluating Machine Learning-Based Solutions for Zero-Day Attack
Detection in 6G Networks
Data: 26/01/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. David Junio Mota Cavalcanti (UFPE / Centro de Informática)
Prof. Dalton Cézane Gomes Valadares (UFPB / Centro de Ciências Agrárias – Campus III)
Prof. Andson Marreiros Balieiro (UFPE / Centro de Informática)
RESUMO:
As redes de Sexta Geração (6G) estão sendo desenvolvidas como um novo
paradigma para sistemas de comunicação móvel e têm como objetivo
caracterizar-se principalmente pela integração entre técnicas de
Inteligência Artificial (IA) e sustentabilidade, que nesse contexto se
relaciona diretamente com a alocação de recursos computacionais.
Entretanto, essa evolução também acaba por ampliar a superfície de ataques
cibernéticos, tornando os ambientes de comunicação mais suscetíveis a
ameaças sofisticadas, especialmente a ataques de Zero-Day, que exploram
vulnerabilidades que ainda são esconhecidas pelos sistemas de segurança da
rede, dentre eles modelos de IA. Nesse sentido, mecanismos de detecção de
anomalias baseados em IA e Aprendizado de Máquina (ML) tornam-se essenciais
para garantir a segurança e a confiabilidade das redes futuras. Contudo,
selecionar um modelo de IA/ML para compor uma solução de detecção de
ataques de Zero-Day é um desafio, pois é necessário alcançar alta precisão
na detecção, mas sem consumir recursos computacionais em excesso ou obter
um tempo impraticável para detectar os ataques. Nesse sentido, este
trabalho aborda o uso de modelos de aprendizado de máquina supervisionado
na detecção de ataques de Zero-Day em conjuntos de dados de redes móveis 5G
avançadas (5GA). Cinco modelos amplamente utilizados na literatura,
Multilayer Perceptron (MLP), Autoencoder, Random Forest, Decision Tree, and
CatBoost, foram avaliados utilizando simultaneamente métricas tradicionais
de desempenho como acurácia, precision, recall e F1-score e também de
métricas de alocação de recursos computacionais como o consumo de CPU e
memória, o tempo de execução e estimativas do consumo de energia, que são
fatores que são fatores críticos em redes 6G. Os resultados indicam que
modelos complexos como o CatBoost podem apresentar alta capacidade
preditiva, mas arquiteturas baseadas em Árvores de Decisão parecem ser as
mais promissoras para implementação em tempo real, pois oferecem uma taxa
de detecção convincente com consumo de energia e processamento
significativamente menor.
Palavras-chave: redes móveis; ataques zero-day; alocação de recursos
Comentários desativados