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

Abstract

El rápido aumento de usuarios de internet y dispositivos conectados ha incrementado significativamente los riesgos de ciberseguridad, lo que hace necesaria la implementación de sistemas avanzados de detección de intrusos (IDS). En este trabajo, se presenta H.A.L.C.CO.N (Hierarchi Universidad Juárez Autónoma de Tabasco. México. cal Attention-based Loss Equalization with CatBoost-enhanced Convolutional Neural Network), un modelo entrenado con datos reales de trafico de red (LITNET-2020) para detectar intrusiones de manera efectiva. Aprovechando la transferencia de aprendizaje desde la arquitectura CANET, el modelo incorpora mejoras como capas de atención de una sola cabeza para capturar dependencias espacio-temporales, la función de perdida Equalization Loss V2 (EQLv2) para abordar dinámicamente el desbalance de clases, y la codificación CatBoost para procesar eficientemente características categóricas de alta cardinalidad. Estas mejoras permiten al modelo manejar la complejidad de entornos de red del mundo real. Los resultados obtenidos demuestran un rendimiento superior en comparación con los métodos tradicionales de aprendizaje automático, alcanzando una tasa de detección, F1-score y precisión del 99.9559%, con una tasa de falsos positivos (FPR) excepcionalmente baja de 0.003675%. Estos hallazgos destacan la robustez y aplicabilidad de H.A.L.C.CO.N en aplicaciones modernas de ciberseguridad.