A maioria dos cenários de segurança cibernética, como detecção de malware e detecção de intrusão, podem ser vistos como problemas de classificação. O aprendizado de máquina é eficaz em questões de classificação e apresenta excelente desempenho em segurança cibernética, por isso é amplamente aplicado neste domínio. No entanto, com o surgimento de exemplos adversários, no inglês chamado de Adversarial Examples (AEs), os sistemas baseados em aprendizado de máquina neste campo crítico de segurança enfrentam novos desafios. Os AEs, que são gerados pela adição de ruídos intencionalmente criados às entradas originais, podem fazer com que os classificadores de destino classifiquem incorretamente. No contexto da cibersegurança, isso geralmente significa que os adversários disfarçam o comportamento malicioso como normal para evitar a detecção dos sistemas baseados em aprendizado de máquina.
Atualmente, a pesquisa sobre EAs se concentra principalmente na visão computacional. Embora tenha havido algum trabalho pioneiro sobre EAs em segurança cibernética, ainda faltam pesquisas relevantes neste domínio. Por outro lado, em outros estudos se concentram na geração de AEs contra redes neurais profundas. A pesquisa sobre AEs contra algoritmos de aprendizado de máquina tradicionais em segurança cibernética é menos preocupante. Portanto, para melhor avaliar a robustez dos sistemas de segurança baseados em aprendizado de máquina em cibersegurança, é necessário continuar a pesquisar a geração de AEs contra classificadores de aprendizado de máquina neste domínio.
Todavia, algoritmos de aprendizado de máquina são amplamente utilizados em segurança cibernética. No entanto, estudos recentes mostram que os algoritmos de aprendizado de máquina são vulneráveis a exemplos adversários. Isso representa novas ameaças para os aplicativos críticos de segurança cibernética. Atualmente, ainda há poucos estudos sobre exemplos adversários no domínio da segurança cibernética. Neste resumo, foi testado em laboratorio da Ufra um novo método conhecido como método de ataque de força bruta para melhor avaliar a robustez dos classificadores de aprendizado de máquina em segurança cibernética contra exemplos adversários.
O objetivo do Evento é disseminar a visão holística das ações universitárias da Instituição nos seus diversos Campi, além de trazer uma mostra das discussões técnico-científica que vêm sendo trabalhada na nossa Universidade para toda sociedade paraense.
Nesta edição debateremos o tema “Ciência, Tecnologia e Inovação na Amazônia Pós-Pandemia”. A escolha do tema tem por finalidade proporcionar à comunidade acadêmica discussões sobre as possibilidades de desenvolvimento da Amazônia no âmbito da Ciência e Tecnologia no contexto pós-pandêmico.
Excepcionalmente o IV INTEGRA UFRA ocorrerá de forma virtual, respeitando as indicações de distanciamento social, em virtude da pandemia por COVID-19. Desta forma as apresentações dos resumos serão de forma assíncronas e palestras serão transmitidas ao vivo, por meio de sessões virtuais.
Comissão Organizadora
Prof. Dr. Allan Klynger da Silva Lobato
Prof. Dr. Fabio Israel Martins Carvalho
Prof. Dr. Allan Douglas Bento da Costa
Dimas Oliveira da Silva
Tatianne Feitosa Soares
Comissão Científica
Prof. Dr. Allan Klynger da Silva Lobato
Prof. Dr. Fabio Israel Martins Carvalho
Prof. Dr. Allan Douglas Bento da Costa
Divisão de Programas Institucionais - DPI
A DPI é responsável pela operacionalização e controle das atividades relacionadas aos programas institucionais de pesquisa, de iniciciação científica e/ou tecnológica, de desenvolvimento tecnológico e inovação da UFRA.
e-mail:
Ferramenta completa de submissão, avaliação e publicação de anais para eventos científicos.
