Metaheurística Ant Colony Optimization e análise de fluxos IP aplicados à detecção de anomalias e à gerência de redes

O monitoramento do tráfego é uma atividade indispensável para o gerenciamento de redes, uma vez que promove informações importantes para a manutenção e controle dos mecanismos de comunicação. Para que essa tarefa seja cumprida com rigor, é necessário o uso de uma abordagem que reconheça de forma proativa comportamentos do tráfego que possam prejudicar o funcionamento correto da rede. Neste trabalho, é apresentado um sistema capaz de identificar tais comportamentos, emitindo alarmes quando um evento não esperado, algum mau funcionamento de dispositivos ou ameaças à segurança são detectados. A fim de alcançar este objetivo, uma metodologia de aprendizado não-supervisionado é utilizada para extrair características do tráfego através de atributos dos fluxos IP. Para assegurar que essa abordagem seja eficiente, uma modificação da metaheurística Ant Colony Optimization é utilizada, a qual por meio da auto-organização de seus agentes otimiza a análise multidimensional desses atributos e dessa maneira faz com que esta tarefa seja realizada em tempo hábil para seu uso em redes de larga escala. É apresentada também uma abordagem denominada Adaptive Dynamic Time Warping, responsável pelo reconhecimento de variações do tráfego que diferem do comportamento normal esperado. Essa análise ainda considera a relação entre os atributos do fluxo, permitindo maior acurácia na classificação do problema detectado, garantindo que o administrador de rede não seja sobrecarregado com notificações de falsas anomalias.Traffic monitoring is an indispensable network management activity, since it promotes important information for the maintenance and control of the communication. For this task is enforced, the use of an approach that recognizes proactively traffic behaviors that may impair the proper functioning of the network is required. In this work, a system which is able to identify such behaviors by emitting alarms when an unexpected event, a malfunctions of devices or security threats are detected is proposed. To achieve this goal, an unsupervised learning method is used to extract features of traffic from IP flows attributes. To ensure the effectiveness of this approach, a modification of the Ant Colony Optimization metaheuristic is proposed, which through self-organization agents optimizes the multidimensional analysis of these attributes and makes this task done in time for large-scale networks. One approach called Adaptive Dynamic Time Warping, responsible for recognizing traffic fluctuations that diverge from the expected normal behavior is presented as well. This analysis also considers the relationship between the IP flow attributes, allowing greater accuracy in the classification of a detected problem and ensuring that the network administrator is not overloaded with reports of false anomalies