Resumen

Para diseñar y desarrollar sistemas de ciberseguridad basados en inteligencia artificial (por ejemplo, sistemas de detección de intrusiones (IDS)), en los que los usuarios puedan confiar justificadamente, es necesario evaluar el impacto de la confianza utilizando tecnologías de aprendizaje automático y aprendizaje profundo. Para guiar el diseño e implementación de sistemas de inteligencia artificial de confianza en IDS, este artículo proporciona una comparación entre modelos de aprendizaje automático y aprendizaje profundo para investigar el impacto de la confianza basado en la precisión de los sistemas de inteligencia artificial de confianza con respecto a los datos maliciosos en IDS. Las cuatro técnicas de aprendizaje automático son árbol de decisión (DT), vecino más cercano (KNN), bosque aleatorio (RF) y Bayes ingenuo (NB). Las cuatro técnicas de aprendizaje profundo son LSTM (una y dos capas) y GRU (una y dos capas). Se utilizan dos conjuntos de datos para clasificar el tipo de ataque IDS, incluido el sistema de detección

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Diseño; Desarrollar; Sistemas de ciberseguridad basados en inteligencia artificial; Aprendizaje automático; Aprendizaje profundo; Sistema de detección de intrusiones
• Keywords:Design; Develop; AI-based cybersecurity systems; Machine learning; Deep learning; Intrusion detection system