Resumen

La detección de anomalías es un problema con raíces que se remontan a más de 30 años. El conjunto de datos NSL-KDD se ha convertido en la convención para probar y comparar modelos nuevos o mejorados en este dominio. En el campo de la detección de intrusiones en redes, el conjunto de datos UNSW-NB15 ha ganado recientemente una atención significativa sobre el NSL-KDD porque contiene ataques más modernos. En el presente documento, delineamos dos arquitecturas de vanguardia que empujan los límites de la precisión del modelo para estos conjuntos de datos, ambos enmarcados en el contexto de la detección de anomalías y la clasificación de intrusiones. Resumimos metodologías de entrenamiento, hiperparámetros, regularización y otros aspectos de la arquitectura del modelo. Además, también utilizamos la desviación estándar de los valores de peso para diseñar una nueva técnica de regularización. Luego, la incorporamos en ambos modelos y reportamos el rendimiento de los modelos. Finalmente, detallamos posibles mejoras dirigidas a

• Materias:Seguridad informática Comunicación inalámbrica Internet de las cosas Ataques de denegación distribuida de servicio
• Subjects:Computer security Wireless communication Internet of things Distributed denial of service attacks
• Palabras claves:Detección de anomalías; Conjunto de datos NSL-KDD; Conjunto de datos UNSW-NB15; Detección de intrusiones en la red; Precisión del modelo; Técnica de regularización
• Keywords:Anomaly detection; NSL-KDD dataset; UNSW-NB15 dataset; Network intrusion detection; Model accuracy; Regularization technique