Resumen

Cuando se aplican métodos tradicionales de aprendizaje automático a la detección de intrusiones en redes, es necesario depender del conocimiento experto para extraer vectores de características de antemano, lo que conlleva una falta de flexibilidad y versatilidad. Recientemente, los métodos de aprendizaje profundo han demostrado un rendimiento superior en comparación con los métodos tradicionales de aprendizaje automático. Los métodos de aprendizaje profundo pueden aprender directamente de los datos en bruto, pero se enfrentan a un coste computacional elevado. Para resolver este problema, se propone un método de preprocesamiento basado en unidades de entrada multipaquete y compresión, que toma paquetes de datos como unidad de entrada para maximizar la retención de información y comprimir en gran medida el tráfico en bruto para acortar el tiempo de aprendizaje y entrenamiento de datos. En nuestro método propuesto, se optimiza la estructura de la red CNN y los pesos de algunas capas de convolución se asignan directamente utilizando el filtro de Gabor. Los resultados experimentales en

• 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:Métodos tradicionales de aprendizaje automático; Detección de intrusiones en la red; Métodos de aprendizaje profundo; Método de preprocesamiento; Unidad de entrada multipaquete; Compresión
• Keywords:Traditional machine learning methods; Network intrusion detection; Deep learning methods; Preprocessing method; Multipacket input unit; Compression