Resumen

La detección de intrusos en redes es una de las partes más importantes para la ciberseguridad con el fin de proteger los sistemas informáticos contra ataques maliciosos. Sin embargo, con la aparición de numerosos ataques sofisticados y nuevos, las técnicas de detección de intrusos en redes enfrentan varios desafíos significativos. El objetivo general de este estudio es aprender representaciones de características útiles de manera automática y eficiente a partir de grandes cantidades de datos de tráfico de red sin etiquetar utilizando enfoques de aprendizaje profundo. Proponemos un modelo de intrusión en red novedoso apilando autoencoders convolucionales dilatados y evaluamos nuestro método en dos nuevos conjuntos de datos de detección de intrusos. Se llevaron a cabo varios experimentos para verificar la efectividad de nuestro enfoque. Los resultados experimentales comparativos demuestran que el modelo propuesto puede lograr un rendimiento considerablemente alto que cumple con la demanda de precisión y adaptabilidad de los sistemas de detección de intrusos en redes (NIDSs). Es bastante potencial

• Materias:Amenaza avanzada persistente Internet de las cosas Seguridad cibernética Estegoanálisis Cifrado descentralizado
• Subjects:Advanced persistent threat Internet of things Cyber security Stegoanalysis Decentralized encryption
• Palabras claves:Detección de intrusiones en la red; Ciberseguridad; Enfoques de aprendizaje profundo; Datos de tráfico de red; Conjuntos de datos de detección de intrusiones; Modelo de intrusión en la red.
• Keywords:Network intrusion detection; Cyber security; Deep learning approaches; Network traffic data; Intrusion detection datasets; Network intrusion model