Resumen

Los dispositivos y aplicaciones del Internet de las cosas (IoT) están aumentando drásticamente en todo el mundo, lo que genera más retos de ciberseguridad. Entre estos retos se encuentran las actividades maliciosas dirigidas a los dispositivos IoT y que causan graves daños, como la fuga de datos, las campañas de phishing y spam, los ataques de denegación de servicio distribuidos (DDoS) y las brechas de seguridad. En este artículo, se propone un método de aprendizaje profundo apilado para detectar datos de tráfico maliciosos, en particular ataques maliciosos dirigidos a dispositivos IoT. El método de aprendizaje profundo apilado propuesto se combina con cinco redes residuales preentrenadas (ResNets) para aprender en profundidad las características de las actividades sospechosas y distinguirlas del tráfico normal. Cada modelo ResNet preentrenado consta de 10 bloques residuales. Utilizamos dos grandes conjuntos de datos para evaluar el rendimiento de nuestro método de detección. Investigamos dos entornos de IoT heterogéneos para que nuestro enfoque pueda desplegarse en cualquier entorno de IoT. Nuestro método propuesto tiene la capacidad de distinguir entre datos de tráfico benignos y maliciosos y detectar la mayoría de los ataques IoT. Los resultados experimentales muestran que nuestro método de aprendizaje profundo apilado propuesto puede proporcionar una mayor tasa de detección en tiempo real en comparación con las técnicas de clasificación existentes.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:método de aprendizaje profundo, datos de tráfico malicioso, dispositivos iot, mayor tasa de detección, más retos de ciberseguridad, ataques, entorno iot, modelo resnet, técnicas de clasificación, fuga de datos
• Keywords:deep learning method, malicious traffic data, iot devices, higher detection rate, more cybersecurity challenges, attacks, iot setting, resnet model, classification techniques, data leakage