Modelagem e avaliação de aprendizado estatístico relacional na predição de vulnerabilidades em ambientes de rede

Banjar, Carlos Eduardo de Schuller

Please use this identifier to cite or link to this item:


			http://hdl.handle.net/11422/29013

Type:	Trabalho de conclusão de graduação
Title:	Modelagem e avaliação de aprendizado estatístico relacional na predição de vulnerabilidades em ambientes de rede
Author(s)/Inventor(s):	Banjar, Carlos Eduardo de Schuller
Advisor:	Menasché, Daniel Sadoc
Abstract:	A avaliação de segurança em redes enfrenta o desafio de superar métricas quantitativas isoladas, como o CVSS, que falham ao negligenciar o risco relacional emergente das interações entre ativos e caminhos de acesso. Este trabalho propõe uma abordagem que utiliza Aprendizado Estatístico Relacional (SRL) para modelar caminhos de ataque de forma probabilística, preservando a semântica da infraestrutura através de lógica de primeira ordem. A metodologia emprega dados reais extraídos das APIs Shodan e NVD para instanciar templates lógicos. O modelo, baseado em Redes de Dependência Relacional (RDN) com treinamento por boosting, foi validado via cross-validation, alcançando uma média de 0,9471 em AUC-PR e 0,9678 em AUC-ROC. Os resultados demonstram que a abordagem captura com precisão a distinção semântica entre vulnerabilidades.
Keywords:	Aprendizado estatístico relacional Cibersegurança Grafos de ataque Boosted RDN Statistical relational learning Cybersecurity Attack graphs Boosted RDN
Subject CNPq:	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Production unit:	Instituto de Computação
Publisher:	Universidade Federal do Rio de Janeiro
Issue Date:	4-Mar-2026
Publisher country:	Brasil
Language:	por
Right access:	Acesso Aberto
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
CESBanjar.pdf		473.34 kB	Adobe PDF	View/Open

Show full item record Recommend this item View Statistics

Pantheon Institutional repository