Resumen

La optimización de la detección de intrusiones se está volviendo cada vez más crucial debido a las tasas y ferocidad en constante aumento de las amenazas y ataques cibernéticos. Uno de los métodos populares para optimizar la precisión de los sistemas de detección de intrusiones (IDSs) es empleando técnicas de aprendizaje automático (ML). Sin embargo, hay muchos factores que afectan la precisión de los IDSs basados en ML. Uno de estos factores es el ruido, que puede manifestarse en forma de instancias mal etiquetadas, valores atípicos o valores extremos. Determinar el efecto del ruido ayuda a diseñar y construir IDSs basados en ML más robustos. Este artículo examina empíricamente el efecto del ruido en la precisión de los IDSs basados en ML mediante la realización de un amplio conjunto de experimentos diferentes. Los algoritmos de ML utilizados son árbol de decisión (DT), bosque aleatorio (RF), máquina de vectores de soporte (SVM), redes neuronales artificiales (ANNs) y

• 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; Intrusiones; Aprendizaje automático; Ruido; Precisión; Algoritmos
• Keywords:Detection; Intrusions; Machine learning; Noise; Accuracy; Algorithms