Red neuronal convolucional con atención jerárquica para detección de intrusos evaluado con datos reales

Abstract

El aumento global de usuarios de Internet ha incrementado significativamente la canti-dad de dispositivos conectados y el valor de los datos almacenados en ellos. Con más personas trabajando y estudiando desde casa, las redes se han vuelto más vulnerables a ataques ciberneti- cos, resaltando la importancia de los sistemas de detección de intrusos (SDI) como una herramienta clave en la arquitectura de seguridad. Aunque las técnicas tradicionales de aprendizaje automático han sido utilizadas en los SDI [4];[14], estas no son adecuadas para la detección a gran escala debido a sus limitaciones en el aprendizaje de características. En respuesta, los enfoques basados en aprendizaje profundo (DL) han mostrado mejoras en la precisión de detección [13];[15], pero aun enfrentan desafíos, como una alta tasa de falsos positivos. Para superar estas limitaciones, se han propuesto modelos como CANET [7], que incorporan características espacio-temporales y una pérdida de ecualización sensible al costo, logrando un rendimiento de vanguardia sin necesidad de preprocesamiento adicional de datos. Sin embargo, la mayoría de estos modelos, incluido CANET, han sido probados principalmente con datos sintéticos [5]. En este contexto, la (Transfer Learning TL) Transferencia de Aprendizaje (TL) [6] se presenta como una solución para mejorar la robustez y adaptabilidad de los SDI, permitiendo la reutilización del conocimiento en cambiantes con datos limitados. En este estudio, se aplica TL al modelo CANET utilizando datos reales de la red LITNET-2020[2], demostrando que esta combinación mejora significativamente la precisión y adaptabilidad del SDI en comparación con modelos entrenados únicamente con datos sintéticos.