Segurança em Redes 5G: Oportunidades e Desafios em Detecção de Anomalias e Predição de Tráfego Baseadas em Aprendizado de Máquina

Abstract

This chapter focuses on approaching and contextualizing the security of the fifthgeneration (5G) mobile networks, discussing network anomaly detection techniques through hybrid tools. Classical techniques for prediction, such as time series regression analysis and the Hidden Markov Model, are revisited. New anomaly detection and traffic prediction techniques based on deep learning are presented, such as recurrent neural networks, neural networks with long short-term memory, and convolutional neural networks. Finally, the challenges and new paradigms of the next-generation networks (6G) are presented. We also present a case study with a practical exercise to develop an example of anomaly detection and traffic prediction through open source and free tools. ResumoEste capítulo aborda e contextualiza a segurança das redes móveis de quinta geração (5G), discutindo técnicas de predição de tráfego e detecção de anomalias em redes através de ferramentas híbridas. Revisitam-se técnicas clássicas para predição de tráfego, como análise de regressão de séries temporais e Modelo Oculto de Markov. Novas técnicas de detecção de anomalia e predição de tráfego baseadas em aprendizado profundo são apresentadas, tais como redes neurais recorrentes, redes neurais com memória longa de curto prazo e redes neurais convolucionais. Por fim, são apresentados os desafios da próxima geração de rede móveis (6G), novos paradigmas e um estudo de caso com exercício prático de desenvolvimento de um exemplo de detecção de anomalia e predição de tráfego através de ferramentas livres de código aberto.

Using Computer Vision to Collect Information on Cycling and Hiking Trails Users

“…The main function of the pooling layers is to simplify the information at the output of the convolutional layer [31], reducing the size of the data, as well as helping to make the representation constant in small translations of the input. The deep learning used with convolutional neural networks is characterized by the repetition of the convolutional and pooling layers [32]. Finally, the fully connected layer is responsible for propagating the signal through point-to-point multiplication and the use of an activation function.…”

Detecção automática de notícias falsas em português

“…Como em qualquer outra rede neural, uma rede LSTM pode ter várias camadas ocultas e, à medida que passa por todas as camadas, as informações relevantes são mantidas e todas as informações irrelevantes são descartadas em cada célula. As LSTMs são bem adequadas para modelagem de dados contínuos para tradução de idiomas, legendas em imagens e geração de textos, entre outras aplicações do PLN, por meio do reconhecimento de padrões (BARBOSA et al, 2021). Por fim, a tarefa de extrair informações úteis do estado da célula atual para serem apresentadas como uma saída é feita pelo portão OUTPUT.…”