Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.302
Aluno: João Vitor da Silva Campos
Orientador: Andson Marreiros Balieiro
Título: ROBUSTEZ ADVERSARIAL E EFICIÊNCIA COMPUTACIONAL EM DETECÇÃO DE INTRUSÃO EM REDES 5G BASEADAS EM SLICING
Data: 29/07/2026
Hora/Local: 9h – Virtual
Banca Examinadora:
Prof. Jamilson Ramalho Dantas (UFPE / CIn)
Prof. Dalton Cézane Gomes Valadares (UFPB/ Centro de Ciências Agrárias)
Prof. Elton Rafael Alves (UNIFESSPA/Instituto de Geociências e Engenharias)
Prof. Andson Marreiros Balieiro (UFPE / CIn)
RESUMO:
As redes móveis de quinta geração (5G) introduzem uma arquitetura altamente
virtualizada baseada em Network Slicing, permitindo a coexistência de
múltiplas redes lógicas sobre uma mesma infraestrutura física para atender
diferentes requisitos de qualidade de serviço. Apesar dos benefícios dessa
abordagem, a crescente softwarização das redes amplia a superfície de
ataque e torna a segurança um desafio crítico. Nesse contexto, sistemas de
detecção de intrusão baseados em aprendizado de máquina têm sido amplamente
utilizados para identificar tráfego malicioso. Entretanto, a
vulnerabilidade desses modelos a ataques adversariais pode comprometer sua
confiabilidade em ambientes operacionais.
Esta dissertação apresenta uma avaliação integrada de robustez adversarial
e eficiência computacional em sistemas de detecção de intrusão para
ambientes de 5G Network Slicing. Para isso, foi desenvolvido uma
metodologia experimental composta por etapas de seleção de atributos,
otimização de hiperparâmetros, geração de ataques adversariais, aplicação
de mecanismos de defesa e monitoramento de recursos computacionais. Os
experimentos foram conduzidos utilizando o dataset 5G-SliciNdd e três
modelos de aprendizado de máquina: Multilayer Perceptron (MLP), Autoencoder
Supervisionado (AE) e Extreme Gradient Boosting (XGBoost).
Os resultados demonstraram que a combinação de Mutual Information e
Principal Component Analysis permitiu reduzir em mais de 50\% o conjunto
original de atributos sem comprometer o desempenho dos classificadores.
Entre os modelos avaliados, o XGBoost apresentou o melhor desempenho,
alcançando acurácia de 99,62\%, F1-score de 99,63\% e AUC de 0,99994, além
de reduzir o tempo de treinamento em mais de 60\% após a otimização de
hiperparâmetros. Sob ataques adversariais, os modelos neurais mostraram
elevada vulnerabilidade aos ataques \gls{fgsm} e \gls{pgd}, enquanto o
XGBoost apresentou maior robustez estrutural, exigindo milhões de consultas
para que ataques black-box produzissem degradações significativas. Como
principal contribuição, esta dissertação propõe uma metodologia
reprodutível para avaliação conjunta de desempenho, robustez adversarial e
eficiência computacional.
Palavras-chave: Redes 5G; network slicing; detecção de intrusão;
aprendizado de máquina; ataques adversariais; robustez adversarial
Comentários desativados