Resumen

La detección de intrusiones en la red sigue siendo uno de los principales retos de la ciberseguridad. En los últimos años, se han diseñado muchos métodos basados en el aprendizaje automático para capturar los patrones de intrusión dinámicos y complejos con el fin de mejorar el rendimiento de los sistemas de detección de intrusiones. Sin embargo, hay dos problemas, como los datos de entrenamiento desequilibrados y los nuevos ataques desconocidos, que siguen dificultando el desarrollo de un sistema fiable de detección de intrusiones en la red. En este trabajo, proponemos una novedosa red de cápsulas siamesas basada en el aprendizaje de pocos disparos para hacer frente a la escasez de datos de entrenamiento de tráfico de red anormal y mejorar la detección de ataques desconocidos. En concreto, la red de aprendizaje profundo bien diseñada destaca por capturar las relaciones dinámicas entre las características del tráfico. Además, un esquema de muestreo de subtipos no supervisado se integra perfectamente con la red siamesa para mejorar la detección de ataques de intrusión en la red bajo la circunstancia de datos de entrenamiento desequilibrados. Los resultados experimentales han demostrado que el marco de aprendizaje métrico es más adecuado para extraer características sutiles y distintivas para identificar tanto ataques conocidos como desconocidos después del esquema de muestreo en comparación con otros métodos de aprendizaje supervisado. En comparación con los métodos más avanzados, nuestro método propuesto consigue un rendimiento superior para detectar eficazmente ambos tipos de ataques.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:sistema de detección de intrusos, datos de entrenamiento desequilibrados, ataque desconocido, nuevo ataque desconocido, tráfico de red anormal, cápsulas siamesas basadas, detección de intrusos en red, marco de aprendizaje métrico, detección de red, métodos de aprendizaje supervisado
• Keywords:intrusion detection system, imbalanced training data, unknown attack, new unknown attack, abnormal network traffic, based siamese capsules, network intrusion detection, metric learning framework, detection of network, supervised learning methods