Resumen

La combinación de aprendizaje profundo y detección de intrusiones se ha convertido en un tema candente en la seguridad de redes de hoy en día. Frente al masivo tráfico de red de alta dimensionalidad con distribución desigual de muestras, cómo poder detectar con precisión el tráfico anómalo es la tarea principal de la detección de intrusiones. La mayoría de las investigaciones sobre sistemas de detección de intrusiones basados en la detección de tráfico anómalo de red se han centrado en el aprendizaje supervisado; sin embargo, el proceso de obtención de datos etiquetados a menudo requiere mucho tiempo y esfuerzo, así como el apoyo de expertos en redes. Por lo tanto, vale la pena investigar el desarrollo de enfoques basados en el aprendizaje auto-supervisado sin etiquetas llamado BYOL, que es un marco simple y elegante con capacidades de extracción de características suficientemente potentes para los sistemas de detección de intrusiones. En este artículo, proponemos una nueva estrategia de aumento de datos para datos de detección de intrusion

• 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:Aprendizaje profundo; Detección de intrusos; Seguridad de redes; Tráfico anómalo; Aprendizaje autosupervisado; Aumento de datos
• Keywords:Deep learning; Intrusion detection; Network security; Anomalous traffic; Self-supervised learning; Data augmentation