Resumen

En los últimos años, ha habido numerosos problemas de ciberseguridad que han causado un daño considerable a la sociedad. El desarrollo de Sistemas de Detección de Intrusiones (IDSs) eficientes y confiables es una contramedida efectiva contra las crecientes amenazas cibernéticas. En entornos modernos de redes de alta velocidad y gran escala, los IDSs tradicionales sufren de una alta tasa de alarmas perdidas y falsas alarmas. Los investigadores han introducido técnicas de aprendizaje automático en la detección de intrusiones con buenos resultados. Sin embargo, debido a la escasez de datos de ataques, los conjuntos de entrenamiento de tales métodos suelen estar desequilibrados, lo que afecta el rendimiento del análisis. En este documento, investigamos y analizamos los principios de diseño y deficiencias de los métodos de sobremuestreo existentes. Basándonos en los hallazgos, tomamos la perspectiva del desequilibrio y la alta dimensionalidad de los conjuntos de datos en el campo de la detección

• 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:Ciberseguridad; Sistemas de detección de intrusos; Técnicas de aprendizaje automático; Métodos de sobremuestreo; Redes generativas adversariales; Selección de características.
• Keywords:Cyber security; Intrusion Detection Systems; Machine learning techniques; Oversampling methods; Generative Adversarial Networks; Feature selection