Las telecomunicaciones han registrado un fuerte y rápido crecimiento en la última década. En consecuencia, la supervisión de ordenadores y redes es demasiado complicada para los administradores de redes. De ahí que la seguridad de las redes represente uno de los mayores retos serios a los que pueden enfrentarse las comunidades de seguridad de las redes. Teniendo en cuenta el hecho de que la banca electrónica, el comercio electrónico y los datos empresariales se compartirán en la red informática, estos datos pueden enfrentarse a una amenaza de intrusión. El objetivo de esta investigación es proponer una metodología que conduzca a una protección de alto nivel y sostenible contra los ciberataques. En particular, se desarrolló un modelo de marco de detección de anomalías adaptativo utilizando algoritmos de aprendizaje profundo y de máquina para gestionar cortafuegos a nivel de aplicación configurados automáticamente. Los conjuntos de datos de red estándar se utilizaron para evaluar el modelo propuesto que está diseñado para mejorar el sistema de ciberseguridad. El aprendizaje profundo basado en la red neuronal recurrente de memoria a corto plazo (LSTM-RNN) y los algoritmos de aprendizaje automático, a saber, la máquina de vectores de apoyo (SVM) y los algoritmos de vecinos más cercanos (K-NN), se implementaron para clasificar los ataques de denegación de servicio (DoS) y los ataques de denegación de servicio distribuidos (DDoS). Se aplicó el método de ganancia de información para seleccionar las características relevantes del conjunto de datos de la red. Estas características de la red fueron significativas para mejorar el algoritmo de clasificación. El sistema se utilizó para clasificar los ataques DoS y DDoS en cuatro conjuntos de datos de soporte: KDD cup 199, NSL-KDD, ISCX e ICI-ID2017. Los resultados empíricos indican que el aprendizaje profundo basado en el algoritmo LSTM-RNN ha obtenido la mayor precisión. El sistema propuesto basado en el algoritmo LSTM-RNN produjo la mayor tasa de precisión en las pruebas: 99,51 y 99,91% con respecto a los conjuntos de datos KDD Cup'99, NSL-KDD, ISCX e ICI-Id2017, respectivamente. Se presenta un análisis comparativo de resultados entre los algoritmos de aprendizaje automático, concretamente SVM y KNN, y los algoritmos de aprendizaje profundo basados en el modelo LSTM-RNN. Finalmente, se concluye que el modelo LSTM-RNN es eficiente y eficaz para mejorar el sistema de ciberseguridad para la detección de anomalías en la ciberseguridad.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículos:
Características generales y factores de riesgo de enfermedades cardiovasculares entre conductores de autobuses interestatales.
Artículos:
Identificación de Hylemonella gracilis como antagonista de la persistencia de Yersinia pestis
Artículos:
Clasificación y predicción de la diabetes basadas en aprendizaje automático para aplicaciones sanitarias
Artículos:
Síntesis de multicapas nanoestructuradas de nanoarcilla-circonia: estudio de viabilidad
Artículos:
Desmezclado espectral de superpíxeles para la superresolución de imágenes hiperespectrales mediante una red acoplada de codificador y decodificador
Artículos:
La curva S como herramienta para la planeación y control de procesos de construcción: casos de estudio
Artículos:
Investigación sobre control de costos de proyectos de construcción con base en la teoría de construcción sin pérdidas y BIM : caso práctico
Artículos:
Optimización de la asignación de recursos laborales empresariales basada en un modelo de optimización de calidad.
Artículos:
Planificación de tareas de proyectos basados en el estándar PMBOK utilizando teoría de control supervisor