Resumen

Las redes neuronales han demostrado funcionar bien en la detección de intrusiones en redes. Para adquirir mejores características del tráfico de red, son necesarias más capas de aprendizaje. Sin embargo, según los resultados de investigaciones previas, añadir capas a las redes neuronales podría no mejorar los resultados de clasificación. De hecho, después de que el número de capas haya alcanzado un cierto umbral, el rendimiento del modelo tiende a degradarse. En este artículo, proponemos un modelo de detección de intrusiones en red basado en aprendizaje residual. Después de transformar el conjunto de datos UNSW-NB15 en imágenes, se construyen redes neuronales convolucionales más profundas con bloques residuales para aprender características críticas. En lugar de la función de pérdida de entropía cruzada, se calcula la pérdida focal modificada para abordar el problema de desequilibrio de clases en el conjunto de entrenamiento e identificar ataques menores en el conjunto de prueba. Se utilizan normalización por lotes y agrupamiento promedio global para evitar el sobreajuste y mejorar

• 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:Redes neuronales; Detección de intrusos en la red; Capas; Aprendizaje residual; Redes neuronales convolucionales; Pérdida focal
• Keywords:Neural networks; Network intrusion detection; Layers; Residual learning; Convolutional neural networks; Focal loss