Resumen

El sistema de detección de intrusiones (IDS) puede identificar de manera efectiva comportamientos anómalos en la red; sin embargo, aún tiene una tasa de detección baja y una alta tasa de falsas alarmas, especialmente para anomalías con menos registros. En este artículo, proponemos un IDS efectivo utilizando una optimización de datos híbrida que consta de dos partes: muestreo de datos y selección de características, llamado DO_IDS. En el muestreo de datos, se utiliza el Bosque de Aislamiento (iForest) para eliminar valores atípicos, el algoritmo genético (GA) para optimizar la proporción de muestreo, y el clasificador de Bosque Aleatorio (RF) como criterio de evaluación para obtener el conjunto de datos de entrenamiento óptimo. En la selección de características, GA y RF se utilizan nuevamente para obtener el subconjunto óptimo de características. Finalmente, se construye un sistema de detección de intrusiones basado en RF utilizando el conjunto de datos de entrenamiento óptimo obtenido por el muestreo de datos y las características

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Sistema de detección de intrusos; Comportamientos anómalos; Optimización de datos; Muestreo de datos; Selección de características; Conjunto de datos UNSW-NB15
• Keywords:Intrusion detection system; Anomaly behaviors; Data optimization; Data sampling; Feature selection; UNSW-NB15 dataset