Resumen

El sistema de deteccin de intrusos (IDS) puede identificar eficazmente comportamientos anmalos en la red; sin embargo, sigue teniendo una baja tasa de deteccin y una alta tasa de falsas alarmas, especialmente para anomalas con pocos registros. En este artculo, proponemos un IDS eficaz mediante la optimizacin hbrida de datos que consta de dos partes: muestreo de datos y seleccin de caractersticas, denominado DO_IDS. En el muestreo de datos, se utiliza el Isolation Forest (iForest) para eliminar los valores atpicos, el algoritmo gentico (GA) para optimizar la proporcin de muestreo y el clasificador Random Forest (RF) como criterio de evaluacin para obtener el conjunto de datos de entrenamiento ptimo. En la seleccin de caractersticas, GA y RF se utilizan de nuevo para obtener el subconjunto de caractersticas ptimo. Por ltimo, se construye un sistema de deteccin de intrusiones basado en RF utilizando el conjunto de datos de entrenamiento ptimo obtenido mediante el muestreo de datos y las caractersticas seleccionadas mediante la seleccin de caractersticas. El experimento se llevar a cabo con el conjunto de datos UNSW-NB15. En comparacin con otros algoritmos, el modelo presenta ventajas evidentes en la deteccin de comportamientos anmalos poco frecuentes.

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Sistema de detección de intrusos; Comportamientos anómalos; Optimización de datos; Muestreo de datos; Selección de características; Conjunto de datos UNSW-NB15
• Keywords:Intrusion detection system; Anomaly behaviors; Data optimization; Data sampling; Feature selection; UNSW-NB15 dataset