Resumen

En la era de Internet y con un número cada vez mayor de personas como usuarios finales, cada día se introduce un gran número de categorías de ataques. Por lo tanto, la detección eficaz de diversos ataques con la ayuda de sistemas de detección de intrusiones es una tendencia emergente en la investigación en estos días. Los estudios existentes muestran la eficacia de los enfoques de aprendizaje automático en el manejo de los sistemas de detección de intrusiones. En este trabajo, nuestro objetivo es mejorar la tasa de detección de sistemas de detección de intrusiones mediante el uso de técnicas de aprendizaje automático. Proponemos un nuevo IDS basado en un conjunto de clasificadores que se construye utilizando un enfoque híbrido que combina el nivel de datos y el nivel de características. Los conjuntos de clasificadores combinan las opiniones de diferentes expertos y mejoran la tasa de detección de intrusiones. Los resultados experimentales muestran la mejora de las tasas de detección de nuestro sistema en comparación con la técnica de referencia.

• Materias:Ingeniería electrónica Redes Inalámbricas Ingeniería Eléctrica Procesamiento de señales asistido por computador Sistemas de comunicación Informática
• Subjects:Electronic engineering Wireless Networks Electrical Engineering Signal processing computer-assisted Communication systems Computing
• Palabras claves:sistemas de detección de intrusos, sistema de detección de intrusos, enfoque a nivel de características, tasa de detección de intrusos, técnica de aprendizaje automático, nuevo conjunto de clasificadores, conjuntos de clasificadores, resultados experimentales, categorías de ataques, nivel de datos
• Keywords:intrusion detection systems, intrusion detection system, feature level approach, intrusion detection rate, machine learning technique, novel classifier ensemble, classifier ensembles, experimental results, attack categories, data level