Resumen

Los modelos de detección de intrusiones (IDMs) basados en aprendizaje automático juegan un papel vital en la protección de la seguridad del entorno de red, y, al aprender las características del tráfico de red, estos IDMs pueden dividir automáticamente el tráfico de red en comportamiento normal o comportamiento de ataque. Sin embargo, los IDMs existentes no pueden resolver el desequilibrio de la distribución del tráfico, al mismo tiempo que ignoran la relación temporal dentro del tráfico, lo que resulta en la reducción del rendimiento de detección del IDM y en un aumento de la tasa de falsas alarmas, especialmente para ataques de baja frecuencia. Por lo tanto, en este artículo, proponemos un nuevo IDM combinado llamado LA-GRU basado en un novedoso método de aprendizaje desequilibrado y en la red neuronal de unidad recurrente con compuertas (GRU). En el modelo propuesto, se proporciona un algoritmo modificado de técnica de sobremuestreo sintético de minorías adaptativo local (LA-SMOTE) para manejar el tráfico desequilibrado,

• Materias:Cifrado de búsqueda Ataque criptográfico Seguridad en Internet
• Subjects:Search encryption Cryptographic attack Internet Security
• Palabras claves:Modelos de detección de intrusos; Aprendizaje automático; Tráfico de red; Comportamiento de ataque; Desequilibrio; Tasa de falsas alarmas
• Keywords:Intrusion detection models; Machine learning; Network traffic; Attack behavior; Imbalance; False alarm rate