COMPARACION DE REDES NEURONALES PARA LA DETECCION DE INTRUSOS EN REDES
Loading...
Date
2024-01-01
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
UNIVERSIDAD LA SALLE - Tutor: Kevin Marlon Soza Mamani
Abstract
La detección de intrusos en redes mediante técnicas basadas en anomalías enfrenta el desafío de un alto índice de falsos positivos en comparación con los métodos basados en firmas, lo que genera alertas innecesarias. Esta investigación se centra en el modelado y comparación de tres tipos de redes neuronales: convolucionales (CNN), recurrentes (RNN) y híbridas (CNN-RNN), evaluando su precisión en la detección de amenazas específicas como DoS, escaneo de puertos y suplantación de ARP. Para ello, se utilizaron capturas de tráfico de red obtenidas con Wireshark y un conjunto de datos que incluye características de amenazas replicadas en entornos virtuales.
El entrenamiento de los modelos siguió la metodología del ciclo de vida del aprendizaje automático, evaluando su rendimiento a través de matrices de confusión y métricas como precisión, exactitud y exhaustividad. Se aplicó un análisis de varianza factorial para determinar diferencias significativas entre los modelos, complementado con pruebas de t de Student, lo que confirmó que todos los modelos alcanzan una alta precisión superior al 95%. Las conclusiones revelan que las tres arquitecturas neuronales analizadas presentan efectividades comparables en la detección de amenazas, con resultados prometedores que podrían mejorar la seguridad en redes.