Resumen

La Detección de Anomalías en Redes (NAD, por sus siglas en inglés) se ha convertido en la base para la gestión y seguridad de redes debido al rápido desarrollo y adopción de tecnologías de computación en el borde. Hay dos características principales de las tareas de NAD: datos de entrada tabulares y clases desequilibradas. El formato de datos de entrada tabulares significa que las tareas de NAD toman tanto características categóricas dispersas como características numéricas densas como entrada. Para lograr un buen rendimiento, el modelo de detección debe manejar ambos tipos de características de manera eficiente. Entre todos los modelos ampliamente utilizados, Gradient Boosting Decision Tree (GBDT) y Neural Network (NN) son los dos más populares. Sin embargo, cada método tiene sus limitaciones: GBDT es ineficiente al tratar con características categóricas dispersas, mientras que NN no puede ofrecer un rendimiento satisfactorio para características numéricas densas. Las clases desequilibradas pueden degradar el rendimiento de los clasificadores y causar resultados sesgados hacia

• 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:Detección de anomalías en la red; Nad; Tecnologías edge computing; Datos de entrada tabulares; Clases desequilibradas; árbol de decisión gradient boosting
• Keywords:Network anomaly detection; Nad; Edge computing technologies; Tabular input data; Imbalanced classes; Gradient boosting decision tree