Resumen

Muchos estudios utilizaron esquemas de aprendizaje automático para mejorar los sistemas de detección de intrusiones en redes recientemente. La mayoría de la investigación se basa en características extraídas manualmente, pero este enfoque no solo requiere muchos costos laborales, sino que también pierde mucha información en los datos originales, lo que resulta en una baja precisión en la detección y no puede ser implementado en situaciones reales. Este artículo desarrolla un DL-IDS (sistema de detección de intrusiones basado en aprendizaje profundo), que utiliza la red híbrida de Convolutional Neural Network (CNN) y Long Short-Term Memory Network (LSTM) para extraer las características espaciales y temporales de los datos de tráfico de red y proporcionar un mejor sistema de detección de intrusiones. Para reducir la influencia de un número desequilibrado de muestras de diferentes tipos de ataques en el rendimiento del modelo en el entrenamiento, DL-IDS utilizó un método de optimización de peso de categoría para mejorar la robustez. Finalmente, DL-IDS se probó

• Materias:Seguridad informática Comunicación inalámbrica Internet de las cosas Ataques de denegación distribuida de servicio
• Subjects:Computer security Wireless communication Internet of things Distributed denial of service attacks
• Palabras claves:Estudios; Aprendizaje automático; Sistema de detección de intrusos; Aprendizaje profundo; CNN; LSTM
• Keywords:Studies; Machine learning; Intrusion detection system; Deep learning; CNN; LSTM