The Internet has been growing exponentially and expanding facilities, such as payments and online purchases. Likewise, the number of criminals using electronic devices to commit theft or hijacking of information has increased. Many scams still require interaction with the victim, who in many cases is persuaded to access a malicious link sent by email, which is classified as phishing. This technique is one of the biggest threats for users and one of the most efficient for criminals. Several studies show different sorts of protection using Artificial Intelligence, which despite being very efficient, do not describe the reasons for categorizing them or using a URL as phishing. This paper focuses on detecting phishing using explainable techniques, i.e., Local Interpretable Model-Agnostic Explanations and Explainable Boosting Machine, to lighten up new advances and future works in the area.

A aplicação de técnicas de Machine Learning na detecção de ataques em redes de computadores tem obtido bons resultados, com destaque para os métodos de Ensemble, que conseguem melhorar o desempenho de classificadores individuais. O estudo foi realizado utilizando o Dataset CICIDS-2017 e considerou a escolha de classificadores com base em uma revisão sistemática da literatura, objetivando encontrar o estado-da-arte e as tendências, tanto para os algoritmos de classificação quanto para as técnicas de ensemble. Committees que reduzem significativamente os erros de classificação são apresentados modelando detectores de intrusão que são superiores aos métodos individuais e aos trabalhos correlatos comparados obtendo acurácia média de 99.92%.

Este trabalho contribui com a evolução dos sistemas de detecção de intrusão ao propor um modelo de aprendizado de máquina capaz de identificar ataques de negação de serviço. Para isso, foram utilizados o algoritmo Random Forest sobre um dataset com tipos variados de registros de ataque, validando a abrangência da proposta. Durante o desenvolvimento do modelo final, foram observadas técnicas para reduzir o número de falsos positivos e negativos, con- sequentemente atingindo estatísticas de desempenho relevantes. Os resultados preliminares indicaram boa capacidade de reconhecimento dos ataques.

Traffic monitoring is an important task for network administrators who require tools to aid in the detection of changes in the network's routine. In this paper, we use a Digital Signature of Network Segment using Flow Analysis (DSNSF) as a technique to describe standard network behavior aiming to support network management through traffic characterization. We have collected real data set from State University of Londrina (UEL), using data flow attributes such as bits, packets and number of flows. Our novel model uses Genetic Algorithm to optimize the process, which consists or organizing the data to display graphically a standard network behavior. To accomplish this task, we compared our novel model with another similar method, Ant Colony Optimization for Digital Signature (ACODS), evaluating these models to measure their accuracy.