Resumen

Un número creciente de servicios de aplicaciones de Internet están confiando en el tráfico cifrado para ofrecer una privacidad adecuada a los consumidores. La detección de anomalías en el tráfico cifrado para evitar y mitigar las amenazas de ciberseguridad es, sin embargo, un desafío de investigación abierto y continuo debido a la limitación de las técnicas existentes de clasificación de tráfico. El aprendizaje profundo está emergiendo como un paradigma prometedor, permitiendo la reducción en la determinación manual del conjunto de características para aumentar la precisión de la clasificación. El presente trabajo desarrolla un modelo basado en aprendizaje profundo para la detección de anomalías en el tráfico de red cifrado. Se utilizan tres conjuntos de datos públicos diferentes, incluidos el NSL-KDD, UNSW-NB15 y CIC-IDS-2017 para analizar de manera exhaustiva los ataques cifrados dirigidos a protocolos populares. En lugar de depender de un solo modelo de aprendizaje profundo, se investigan múltiples esquemas utilizando redes neuronales convolucion

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Servicios de aplicaciones de internet; Tráfico cifrado; Detección de anomalías; Amenazas a la ciberseguridad; Aprendizaje profundo; Tráfico de red
• Keywords:Internet application services; Encrypted traffic; Anomaly detection; Cyber security threats; Deep learning; Network traffic