Proença Junior, Mário LemesKomarchesqui, Mateus2026-09-082026-09-082026-08-25https://repositorio.uel.br/handle/123456789/19917Resumo: Ataques cibernéticos visam degradar a qualidade de serviços de uma rede, motivados por interesses que variam de políticos a monetários. Sistemas de detecção de intrusão, frequentemente implementados com algoritmos de aprendizado profundo, modelam o comportamento do usuário legítimo ajustando múltiplos parâmetros numéricos durante o treinamento. Como esse processo não é transparente para agentes humanos, estratégias de inteligência artificial explicável emergem como métodos práticos para elucidar o funcionamento interno desses sistemas. A maioria dos autores utiliza técnicas de explicabilidade, como SHapley Additive exPlanations (SHAP), apenas para exibir a magnitude da importância das características, desconsiderando a orientação dos impactos, a distinção entre classes de tráfego e a dimensão temporal do tráfego. Essa análise superficial oculta comportamentos enviesados: características prejudiciais permanecem no modelo e sustentam altas taxas de falsos alarmes e de ataques indetectados, penalizando usuários legítimos e sobrecarregando a triagem de incidentes. Esta dissertação propõe uma metodologia cíclica e transparente para explicar e otimizar sistemas de detecção de intrusão caixa-preta por meio de uma análise profunda de explicações de SHAP, aproveitando seu potencial para alcançar tanto um treinamento quanto um produto final explicáveis. Propõe-se um algoritmo de subamostragem não supervisionado, baseado em agrupamento hierárquico por densidade, que viabiliza computacionalmente o KernelSHAP sem comprometer a representatividade dos dados. As explicações estáticas e temporais são avaliadas de forma isolada por categoria de tráfego, considerando magnitude e orientação das contribuições, decaimento de influência e efeito de atraso temporal, o que fundamenta o descarte transparente das características enviesadas e o retreino do sistema. Realizam-se experimentos com dois sistemas de arquiteturas e paradigmas distintos: um baseado em redes adversárias generativas, proposto por autor externo, e outro em autocodificadores variacionais β. Para o primeiro, o coeficiente de correlação de Matthews (MCC) elevou-se de 0,804 para 0,851 no conjunto CIC-DDoS2019 e de 0,703 para 0,916 no CSE-CIC-IDS2018, com reduções de 26,6% e 92,3% nos falsos negativos. O segundo obteve avanços absolutos de 0,116 e 0,154 no MCC para essas mesmas bases e elevou o MCC médio de 0,928 para 0,952 no Orion2026, mitigando a penalização de tráfego legítimo entre diferentes cardinalidades de atacantes e vítimas. Conclui-se que a otimização guiada por SHAP é agnóstica à arquitetura e ao cenário de dados, entregando um sistema mais assertivo, mais enxuto e auditável, capaz de reduzir a saturação operacional da gerência de redesporExplicações aditivas de shapleyOtimização de desempenhoRedes adversárias generativas (Redes de computadores)Autocodificadores variacionaisSistemas de detecção de intrusão (Segurança do computador)DissertaçãoCiências Exatas e da Terra - Ciência da ComputaçãoCiências Exatas e da Terra - Ciência da ComputaçãoShapley additive explanationsPerformance optimizationGenerative adversarial networks (Computer networks)Variational autoencodersIntrusion detection systems (Computer security)