Resumen

En la era del Internet de las Cosas (IoT), los objetos conectados producen una enorme cantidad de tráfico de datos que alimenta el análisis de big data, el cual podría ser utilizado para descubrir patrones no vistos e identificar tráfico anómalo. En este documento, identificamos cinco principios clave de diseño que deben considerarse al desarrollar un sistema de detección de intrusiones (IDS) basado en aprendizaje profundo para el IoT. Basándonos en estos principios, diseñamos e implementamos la Red Neuronal Convolucional Temporal (TCNN), un marco de aprendizaje profundo para sistemas de detección de intrusiones en IoT, que combina la Red Neuronal Convolucional (CNN) con convolución causal. TCNN se combina con la Técnica de Sobremuestreo Sintético de la Minoría-Nominal Continuo (SMOTE-NC) para manejar conjuntos de datos desequilibrados. También se combina con técnicas eficientes de ingeniería de características, que consisten en la reducción del espacio de características y la transformación de características

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Internet de las cosas; Análisis de grandes datos; Aprendizaje profundo; Sistema de detección de intrusiones; Red neuronal convolucional temporal; Técnicas de ingeniería de características.
• Keywords:Internet of things; Big data analytics; Deep learning; Intrusion detection system; Temporal convolution neural network; Feature engineering techniques