Estudio comparativo entre modelos de aprendizaje profundo, desarrollados a partir de redes neuronales recurrentes a redes neuronales convolucionales, para la detección de intrusos de red

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.