Please use this identifier to cite or link to this item: http://repositorio.uisek.edu.ec/handle/123456789/3547
Title: Estudio comparativo entre modelos de aprendizaje profundo, desarrollados a partir de redes neuronales recurrentes y redes neuronales convolucionales, para la detección de intrusos de red
Authors: Riofrío Luzcando, Diego Fernando
Jarrín Rodríguez, David Alejandro
Keywords: TECNOLOGÍAS DE LA INFORMACIÓN
SEGURIDAD DE REDES
REDES ARTIFICIALES
REDES NEURONALES
DETECCIÓN DE INTRUSOS
Issue Date: Sep-2019
Publisher: Universidad Internacional SEK
Citation: CT-MTI J379es/2019
Abstract: En las últimas décadas, se observa la enorme expansión de la Internet. Debido a esto salen a la luz problemas relacionados con la gestión de la seguridad, que afectan sistemas conectados a la red global. A causa de estos problemas de seguridad, se vuelve primordial incorporar controles de acceso y herramientas de defensa en los sistemas informáticos, las cuales permitan prevenir, evadir y detectar ataques informáticos; como es el caso de los sistemas de detección de intrusos (IDS). Es por esto, que este trabajo tiene el objetivo de comparar dos modelos de aprendizaje profundo utilizados para la identificación de trafico benigno o maligno en una red, modelos que fueron desarrollados mediante Redes Neuronales Recurrentes (RNN) y Redes Neuronales Convolucionales (CNN). Para este fin se utilizó el conjunto de datos CICIDS2017, el cual permitió entrenar ambos modelos de predicción. Estos fueron validados mediante técnicas de validación cruzada, obteniendo una precisión de sobre el 97%. El punto disruptivo para la elección de uno de los dos modelos es el tiempo de entrenamiento de cada red, ya que la CNN mostró ser más rápida que la RNN.
Description: In the last decades the expansion of the Internet has shown problems related to security management, affecting systems of the global network. It is because of these security problems that are necessary to incorporate, access control and defense tools in the information systems. These tools can help to prevent, evade and detect computer attacks, as the intrusion detection system (IDS). This investigation has the objective of compare two deep learning models used for the identification of benign or malign traffic in a network, models that were developed through Recurrent Neural Networks (RNN) and Convolutional Neural Networks (CNN). For this purpose the dataset CICIDS2017 was used, helping to train the prediction models. Both models were probed through cross validation techniques, getting accuracy over 97%. The training time of the network is the way for select the best model, considering that the CNN showed to be faster than RNN.
URI: http://repositorio.uisek.edu.ec/handle/123456789/3547
Appears in Collections:(MTI)

Files in This Item:
File Description SizeFormat 
Tesis_DAVID_JARRIN_VERSION_FINAL.pdf2,58 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.