@MASTERSTHESIS{ 2022:1207701233,
 	title = {Uso de Deep Learning Aplicado à Classificação de Tráfego em Arquitetura SDN},
 	year = {2022},
 	url = "https://tede.unioeste.br/handle/tede/6526",
 	abstract = "A classificação de tráfego de rede possui um importante papel na identificação das aplicações
 que estão sendo utilizadas pelos usuários em uma rede de dados. Com isso tornam-se
 necessárias técnicas cada vez mais aprimoradas para identificar um tráfego cada vez
 mais diversificado. Abordagens clássicas como identificação de portas ou inspeção pacotes
 são amplamente utilizadas para classificar e analisar os fluxos de tráfego de rede. No
 entanto, nos últimos anos, houve um exponencial crescimento do tráfego da Internet,
 devido ao grande aumento no número de usuários e diversidades de serviços. Tecnologias
 advindas da Indústria 4.0 como Iot (Internet of Things), Blockchain e Big Data tem se
 popularizado muito nos últimos anos, fomentado o investimento em arquitetura de redes
 baseada em software, as SDN (do inglês, Software-definied Networks), que flexibilizam a
 integração e convergência destes emergentes conceitos tecnológicos. Apesar dos benefícios,
 a adoção das SDN traz novos desafios, principalmente no campo da segunça cibernética,
 já que são inseridos novos elementos na rede. Por outro lado a integração com serviços
 de Iot, incontáveis tipos de novos dispositivos e serviços, representam riscos à segurança
 e infraestrutura de rede. Nos últimos anos presenciamos a ascensão do Aprendizado
 de Máquina nas pesquisas científicas, sendo a técnica considerada mais promissora o
 Aprendizado Profundo (do inglês , Deep Learning), que usa redes neurais artificias de
 diversas arquiteturas para os mais diversos fins. O presente trabalho tem como proposta
 uma solução de classificação de tráfego em arquitetura SDN utilizando uma Rede Neural
 Convolucional de múltiplas camadas. Para isso são utilizados dados estatísticos coletados
 de equipamentos que suportam o protocolo Openflow como forma de caracterizar as
 diversas categorias de tráfego. A solução proposta permitiu com que o o tráfego de rede
 fosse classificado por meio da identificação de suas aplicações com aproximadamente 97, 6%
 de acurácia.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}