@MASTERSTHESIS{ 2025:124210616,
 	title = {Detecção de intrusão aplicando random forests em ambiente federated learning},
 	year = {2025},
 	url = "https://tede.unioeste.br/handle/tede/8042",
 	abstract = "A crescente expansão dos dispositivos da Internet das Coisas tem transformado diversos setores, impulsionando ganhos em eficiência e automação. No entanto, essa evolução também amplia a vulnerabilidade a ataques cibernéticos, gerando riscos financeiros e danos à reputação. Diante desse cenário de crescente preocupação com a segurança, métodos eficazes de detecção
 de intrusões tornam-se indispensáveis. O aprendizado federado surge como uma abordagem promissora para enfrentar esse desafio, pois possibilita o treinamento de modelos globais sem comprometer a privacidade dos dados. Com base nessa perspectiva, este trabalho propõe um método de detecção de intrusão que utiliza florestas aleatórias como modelo de classificação,
 aplicado ao conjunto de dados IoTID20 em um ambiente federado. A escolha das florestas aleatórias justifica-se por sua robustez na classificação de padrões, tornando-as adequadas para cenários de segurança cibernética. Para otimizar o desempenho do modelo, foram realizadas etapas de pré-processamento no conjunto de dados, proporcionando maior eficiência no treinamento. Para mitigar o desbalanceamento dos dados, aplicou-se a técnica de oversampling, contribuindo para a melhoria dos resultados e, adicionalmente, a utilização de um ensemble para a seleção dos atributos permitiu a criação de vários conjuntos de dados, possibilitando a avaliação do desempenho do modelo em diferentes cenários. Os experimentos demonstraram que o modelo federado apresentou desempenho superior em relação ao modelo centralizado, mesmo na ausência da otimização de hiperparâmetros em ambos modelos. O modelo federado obteve médias de acurácia de 98,51%, F1-score de 98,60% e Recall de 98,43%, enquanto o modelo centralizado alcançou 97,49% de acurácia, 97,61% de F1-score e 96,67% de Recall, posicionando estes resultados de forma competitiva em relação a outros trabalhos na literatura que abordam a detecção de intrusão em ambientes federados.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Elétrica e Computação},
 	note = {Centro de Engenharias e Ciências Exatas}
}