Trabalho de Conclusão de Curso

URI Permanente para esta coleção

https://repositorio.ifmg.edu.br/handle/20.500.14387/748

Navegar

Navegando Trabalho de Conclusão de Curso por Orientador "Mestre Mário Luiz Rodrigues Oliveira"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Aplicações de redes neurais na previsão de operações day trade
    (2023-11-22) Santos, Yuri Gandra; Mestre Mário Luiz Rodrigues Oliveira; Mestre Rodrigo Menezes Sobral Zacaroni
    Esta monografia abordou o desenvolvimento e análise de quatro modelos de redes neurais: Autoencoders, Redes neurais convolucionais, Redes neurais Long Short-Term Memory (LSTM) e as Redes neurais multilayer perceptron (MLP), visando avaliar seu desempenho em operações de day trade. Os resultados destacaram a complexidade da implementação de redes neurais no ambiente financeiro, com cada modelo apresentando características únicas e trade-offs significativos. O estudo ressaltou a importância de abordagens adaptativas e cuidadosas na escolha e implementação de redes neurais em sistemas de negociação, reconhecendo a inexistência de uma solução universal. No trabalho esses modelos foram implementados, testados e avaliados utilizando métricas como lucro obtido, numero de negociações, porcentagem de negociações com lucro, fator de lucro e fator de recuperação. Para treinamento dos modelos foi utilizado o período de 01/2018 até 01/2023, com 70% dos dados coletados destinados a treinamento e 30% para teste. Utilizou-se 5 features como entrada para cada uma das redes implementadas, sendo: preço de abertura, preço de fechamento, máxima, mínima e uma média móvel de 21 períodos. Ao fim do trabalho conclui-se que o melhor modelo de rede neural dentre as analisadas foi o autoencoder. Por obter o maior lucro e na maior parte dos testes os melhores resultados de acordo com as métricas adotadas. Isso não indica que as outras são ruins ou não podem ser utilizadas no mercado financeiro. Apenas que para o tempo gráfico de 15 minutos o modelo que apresentou o melhor resultado foi o autoencoder e que nesse cenário ele é a melhor opção.
  • Imagem de Miniatura
    Item
    Estudo e implementação de classificadores binários para detecção de malwares de Android baseados em features estáticas
    (2023-11-21) Azevedo, Rafael Alvarenga de; Mestre Mário Luiz Rodrigues Oliveira
    Este trabalho oferece uma visão abrangente sobre a crescente dependência da sociedade contemporânea em relação à tecnologia, em particular aos dispositivos móveis . Diante disso, destaca-se que aplicativos maliciosos de Android podem ser usados para uma ampla gama de atividades ilícitas que afetam a segurança e a privacidade dos usuários. Logo, é necessário uma intervenção por parte de pesquisadores para responder e mitigar esse tipo de ameaça cibernética. Para contribuir com essa premissa, conduziu-se uma revisão sistemática da literatura, de estudos entre os anos de 2015 a 2021, para identificar técnicas e ferramentas que tratam problemas de Análise de Malware em dispositivos Android. Consequentemente, leram-se 60 artigos na íntegra para compilar e classificar técnicas e ferramentas, tipos de malwares e técnicas anti-análise de malware, mais recorrentes. Por conseguinte, os resultados deste trabalho permitem concluir que a análise de malwares em dispositivos Android está em constante evolução, pois existem técnicas tanto para analisar amostras, como para impedir esta análise. Ainda, identificaram-se 118 técnicas, de classes distintas, para tratar os problemas dessa área de estudo; 357 ferramentas, classificadas como as técnicas; 9 técnicas anti-análises; e 14 tipos de malwares. Adicionalmente, por meio da montagem de um dataset com 10000 aplicativos, legítimos e maliciosos, com o emprego das técnicas Permission based Analysis, Call Graph Analysis e Taint Analysis, conclui-se que é possível caracterizar aplicativos Android, na medida em que são identificados métodos alcançáveis no call graph de um app e métodos que vazam informações sensíveis do usuário. Com o dataset pronto, implementou-se e avaliou-se os resultados dos seguintes classificadores binários: Decision Tree, Random Forest, Adaboost, Naive Bayes e SVM (RBF).