Rosa Maria Meri Leão

Rosa Maria Meri Leão

Auto-generated profile, based on publicly available information

Rosa Maria Meri Leão

Federal University of Rio de Janeiro

Research Focus & Metrics

Academic Career Length

20Years (2007-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 December 2021 in Computer Networks
Verified
Journal Article
Closed access
ASAnanda Streit
Ananda Streit
GSGustavo H.A. Santos
Gustavo H.A. Santos
RLRosa M.M. Leão
Rosa M.M. Leão
ESEdmundo de Souza e Silva
Edmundo de Souza e Silva
DMDaniel Menasché
Daniel Menasché
DTDon Towsley
Don Towsley

1 January 2008
Verified
Conference Paper
Open access
AAAlberto Avritzer
Alberto Avritzer
FDFlávio P. Duarte
Flávio P. Duarte
RLRosa Maria Meri Leão
Rosa Maria Meri Leão
ESEdmundo de Souza e Silva
Edmundo de Souza e Silva
MCMichal Cohen
Michal Cohen
DCDavid Costello
David Costello
In this paper, we present our experience to estimate the reliability of a large distributed system composed of several hundred points of presence. The system's reliability metric is required by contract to be obtained. A simple approach is presented to accurately approximate the desired metrics.

1 February 2007 in Computer Networks
Verified
Journal Article
Closed access
CRCarlo Kleber da Silva Rodrigues
Carlo Kleber da Silva Rodrigues
RLRosa M.M. Leão
Rosa M.M. Leão

7 December 2020
Verified
Conference Paper
Closed access
PDF file
DADiego Medeiros De Abreu
Diego Medeiros De Abreu
ICIgor Furtado Carvalho
Igor Furtado Carvalho
AAAntônio Jorge Gomes Abelém
Antônio Jorge Gomes Abelém
DMDaniel Sadoc Menasché
Daniel Sadoc Menasché
RLRosa Maria Meri Leão
Rosa Maria Meri Leão
ESEdmundo Souza Silva
Edmundo Souza Silva
Sistemas de Detecção de Intrusão (IDSs) baseados em aprendizado de máquina (AM) vêm sendo amplamente utilizados para detectar tráfego malicioso e ataques às redes. Entretanto, essas abordagens ainda apresentam grandes dificuldades para detectar os diferentes tipos de ataques que vêm se aprimorando. Neste contexto, dentre os passos requeridos para uma avaliação baseada em AM, a seleção de características tem grande importância para propiciar maior eficiência na detecção de anomalias e ataques de rede, sendo ainda um problema em aberto. Este artigo propõe uma abordagem que realiza a seleção de características baseada em clusters para melhorar a detecção de ataques e tráfegos anômalos na rede. A proposta cria também um ranque com as características de tráfego que mais contribuíram para o incremento nos acertos dos algoritmos. Os resultados mostraram um desempenho superior às demais propostas avaliadas para cinco diferentes tipos de ataques, considerando a métrica F1 score.

21 March 2025 in IEEE Access
Verified
Journal Article
Open access
GMGabriel Mendonça
Gabriel Mendonça
RLRosa M. M. Leão
Rosa M. M. Leão
ESEdmundo De Souza E. Silva
Edmundo De Souza E. Silva
DTDon Towsley
Don Towsley
DDoS attacks are still one of the primary sources of problems on the Internet and continue to cause significant financial losses for organizations. To mitigate their impact, detection should preferably occur close to the attack origin, e.g., at home routers or edge servers. However, relying on packet inspection may bring serious privacy and scalability issues. We propose a lightweight system for DDoS detection that solely employs byte and packet counts from off-the-shelf home routers. To detect attacks with such a limited amount of information, our key insight consists in defining two detection layers: (1) a ML classifier trained with data from real home user and malware; (2) and a Bayesian hierarchical model that exploits the synchronized nature of DDoS attacks by correlating alarms from multiple homes to check the approach in the wild. We collect data on DDoS attacks by generating real attack traffic from the homes of a selected group of volunteers, utilizing authentic malware source code. In that experiment, conducted using the residences of volunteers and over one month, our system detected 99.1% of all DDoS attacks launched, with no false alarms.

26 July 2018
Verified
Conference Paper
Open access
PDF file
DXDiego Ximenes
Diego Ximenes
GMGabriel Mendonça
Gabriel Mendonça
GSGustavo H. A. Santos
Gustavo H. A. Santos
ESEdmundo De Souza e Silva
Edmundo De Souza e Silva
RLRosa M.M. Leão
Rosa M.M. Leão
DMDaniel S. Menasché
Daniel S. Menasché
Atualmente provedores de serviço de Internet (ISPs) fornecem infraestrutura para diversos serviços essenciais. Portanto, é fundamental detetar e localizar problemas na rede de forma automática. Apesar de esforços de monitoramento feito pelos ISPs, eles ainda não têm as ferramentas apropriadas para processar a enorme quantidade de dado gerado por medições de QoS realizadas dezenas de vezes por dia. Essa tarefa não é trivial. Propomos uma abordagem para detetar e localizar automaticamente problemas nas redes dos ISPs a partir de séries temporais resultantes de medições de QoS e traceroutes. Nosso framework é baseado no problema denominado de change point detection, em classificação não-supervisionada e inferência de topologia de rede. Aplicamos nosso framework em dados reais obtidos durante vários meses.