Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia

Abstract

Este estudio explora la aplicación de aprendizaje por transferencia en redes neuronales convolucionales (CNN) para la identificación de nuevos ataques en la detección de intrusos en redes. Dado que los enfoques basados en aprendizaje profundo, como las CNN, están en constante desarrollo para detectar y clasificar ataques cibernéticos en redes y sistemas de host de manera automática, surge la necesidad de investigar soluciones que se adapten a la evolución continua de las amenazas. El propósito principal de este estudio es analizar el rendimiento de los modelos CNN en la detección de ataques en redes y explorar la viabilidad del aprendizaje por transferencia para mejorar la identificación de ataques emergentes y abordar los problemas asociados con el reentrenamiento de modelos. Utilizando el conjunto de datos UNSW-NB15, se entrenaron y compararon modelos CNN y modelos basados en aprendizaje por transferencia. Los resultados muestran que el modelo de aprendizaje por transferencia logró una precisión del 85.22% y una mejor tasa de detección de ataques en comparación con el modelo CNN entrenado desde cero. Este hallazgo subraya que el modelo TL ofrece una mejora en la detección de intrusos, sino que también tiene una mayor capacidad para identificar ataques nuevos de manera más efectiva. En conclusión, el estudio demuestra que el aprendizaje por transferencia puede mejorar la capacidad de los modelos CNN para detectar y clasificar ataques cibernéticos, proporcionando una solución más eficiente y adaptable frente a la continua evolución de las amenazas en redes.