Título: Um mecanismo de seleção de participantes otimizado de aprendizado federado para sistemas de detecção de intrusão
Autor: Helio do Nascimento Cunha Neto
Resumo: As técnicas de aprendizado de máquina apresentaram soluções precisas para sistemas de detecção de intrusão e a maioria dos problemas de segurança cibernética. No entanto, criar um modelo de aprendizado de máquina eficiente na previsão de ataques requer treinamento extensivo com uma grande quantidade de dados. O aprendizado federado surge como uma solução para treinamento colaborativo de várias fontes compartilhando apenas os parâmetros do modelo para um agregador central e mantendo os dados localmente. No entanto, a distribuição de dados entre os participantes de aprendizagem federada é fortemente não-IID, e essa distribuição é prejudicial à eficácia do modelo global. Além disso, participantes maliciosos podem prejudicar intencionalmente o treinamento com dados aleatórios ou tendenciosos. Trabalhos anteriores usaram principalmente duas abordagens para abordar a questão da distribuição de dados: seleção de participantes baseada em reputação e otimização de modelo global. Este trabalho propõe uma estrutura de treinamento que usa a seleção e agregação de participantes com base em pontuação para aumentar o desempenho do modelo global e evitar participantes mal-intencionados. Para isso, propõe-se uma variante de ganho de informação para pontuar a contribuição de cada participante e épsilon guloso (epsilon greedy) para a seleção do participante em cada rodada de agregação. A proposta também usa a média móvel para manter o conhecimento prévio em rodadas de agregação anteriores.
Título: Detecção de intrusão de rede por aprendizado de máquina distribuído
Autor: Lucas Fauster Leite Pereira
Resumo: Estudo onde são implementados duas simulações de sistemas de aprendizado de máquina distribuído para detecção de intrusão de rede do tipo cliente-servidor, com modelos distintos. Além disso é proposto um sistema de aprendizado de máquina híbrido, composto por duas partes, a primeira um sistema aprendizado distribuído e a segunda um sistema de aprendizado centralizado, onde na primeira é verificado se há alguma ameaça no fluxo de dados e na segunda é verificado o tipo de ameaça caso seja identificado alguma pela primeira parte.
Título: Identificação de Câmaras de Eco em Redes Sociais Através de Detecção de Comunidade em Redes Complexas: Ferramentas, Tendências e Desafios
Autor: Nicollas Rodrigues de Oliveira
Resumo: A câmara de eco é um fenômeno relacionado à tendência de usuários de redes sociais interagirem com outros usuários em grupos homogêneos e com ideias e opiniões semelhantes. Como resultado, a câmara de eco prejudica o contraditório e incentiva o fenômeno do viés de confirmação, fomentando ambientes propícios ao discurso de ódio e à propagação de notícias falsas (fake news). Este minicurso apresenta os principais algoritmos para a caracterização estrutural e técnicas que auxiliam na detecção de câmaras de eco. O minicurso se concentra em abordagens de descoberta de comunidades sobre um grafo de topologia criado de acordo com a difusão de informações em redes sociais. Detalham-se também algoritmos de caracterização de redes complexas e os índices de desempenho dessas abordagens. Além disso, o minicurso desenvolve uma atividade prática de captura de dados em redes sociais e análise para identificação de câmaras de eco. Por fim, são discutidos os desafios e ferramentas que focam no estudo de câmaras de eco em redes sociais online.
