Uma Arquitetura Híbrida Baseada em Aprendizado Profundo para Detecção de Anomalias no Tráfego de Rede via Clustering KMeans Aprimorado por EFMS e Modelos CNN-GRU

A detecção precoce de anomalias no tráfego de rede é crítica para a cibersegurança, já que um único host comprometido pode causar vazamentos de dados, danos à reputação e interrupções operacionais. No entanto, sistemas tradicionais baseados em assinaturas e regras estáticas são frequentemente ineficazes contra ameaças sofisticadas e em evolução. Este estudo propõe uma arquitetura híbrida de aprendizado profundo para detecção proativa de anomalias em redes locais e metropolitanas. O conjunto de dados passou por um extenso processo de limpeza, transformação e seleção de características, incluindo normalização de campos numéricos, codificação de variáveis ordinais e derivação de métricas comportamentais. O algoritmo EFMS-KMeans foi aplicado para pré-rotular o tráfego como normal ou anômalo, estimando centros densos e calculando distâncias entre centróides, permitindo o treinamento de uma rede CNN-GRU sequencial, onde a CNN captura padrões espaciais e o GRU modela dependências temporais. Para abordar o desequilíbrio de classes, a técnica SMOTE foi integrada, e a função de perda foi ajustada para melhorar a estabilidade do treinamento. Resultados experimentais mostram uma melhoria substancial na precisão e generalização em comparação com abordagens convencionais, validando a eficácia do método proposto para detectar tráfego anômalo em ambientes de rede dinâmicos e complexos.