Resumen

Cada vez son ms los servicios de aplicaciones de Internet que recurren al trfico cifrado para ofrecer una privacidad adecuada a los consumidores. La deteccin de anomalas en el trfico cifrado para eludir y mitigar las amenazas a la ciberseguridad es, sin embargo, un reto de investigacin abierto y en curso debido a la limitacin de las tcnicas de clasificacin de trfico existentes. El aprendizaje profundo se perfila como un paradigma prometedor, que permite reducir la determinacin manual del conjunto de caractersticas para aumentar la precisin de la clasificacin. El presente trabajo desarrolla un modelo basado en aprendizaje profundo para la deteccin de anomalas en el trfico de red cifrado. Se utilizan tres conjuntos de datos pblicos diferentes, incluidos NSL-KDD, UNSW-NB15 y CIC-IDS-2017, para analizar exhaustivamente los ataques cifrados dirigidos a protocolos populares. En lugar de confiar en un nico modelo de aprendizaje profundo, se investigan mltiples esquemas que utilizan redes neuronales convolucionales (CNN), de memoria a largo plazo (LSTM) y recurrentes (RNN). Nuestros resultados muestran que una combinacin hbrida de modelos convolucionales (CNN) y de unidades recurrentes controladas (GRU) supera a las dems. El enfoque hbrido se beneficia de la derivacin de caractersticas de baja latencia de la CNN y de un mejor ajuste general del conjunto de datos de entrenamiento. Adems, la gran eficacia de la generalizacin que ofrece la GRU permite una extraccin ptima de las caractersticas relacionadas con el dominio temporal, lo que hace que el esquema hbrido de CNN y GRU presente el mejor modelo.

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Servicios de aplicaciones de internet; Tráfico cifrado; Detección de anomalías; Amenazas a la ciberseguridad; Aprendizaje profundo; Tráfico de red
• Keywords:Internet application services; Encrypted traffic; Anomaly detection; Cyber security threats; Deep learning; Network traffic