Resumen

Optimizar la deteccin de intrusiones es cada vez ms crucial debido al continuo aumento de las tasas y la ferocidad de las ciberamenazas y los ataques. Uno de los mtodos ms populares para optimizar la precisin de los sistemas de deteccin de intrusiones (IDS) es el empleo de tcnicas de aprendizaje automtico (ML). Sin embargo, hay muchos factores que afectan a la precisin de los IDS basados en ML. Uno de estos factores es el ruido, que puede adoptar la forma de instancias mal etiquetadas, valores atpicos o valores extremos. Determinar el alcance del efecto del ruido ayuda a disear y construir IDS basados en ML ms robustos. Este artculo examina empricamente el efecto del ruido en la precisin de los IDS basados en ML mediante la realizacin de un amplio conjunto de experimentos diferentes. Los algoritmos ML utilizados son el rbol de decisin (DT), el bosque aleatorio (RF), la mquina de vectores soporte (SVM), las redes neuronales artificiales (ANN) y Nave Bayes (NB). Adems, los experimentos se llevan a cabo en dos conjuntos de datos de intrusin ampliamente utilizados, que son NSL-KDD y UNSW-NB15. Por otra parte, el documento tambin investiga el uso de estos algoritmos ML como clasificadores de base con dos conjuntos de mtodos de aprendizaje de clasificadores, que son bagging y boosting. Los resultados y conclusiones detallados se ilustran y discuten en este artculo.

• 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:Detección; Intrusiones; Aprendizaje automático; Ruido; Precisión; Algoritmos
• Keywords:Detection; Intrusions; Machine learning; Noise; Accuracy; Algorithms