Resumen

. El propsito de este estudio es cmo detectar mejor el trfico de ataque en conjuntos de datos desequilibrados. La tecnologa de aprendizaje profundo ha desempeado un papel importante en la deteccin del trfico de red malicioso en los ltimos aos. Sin embargo, sufre un grave desequilibrio en la distribucin de datos si el modelo de trfico se inclina hacia el modelado en la direccin benigna, ya que solo una pequea parte del trfico es malicioso, mientras que la mayora del trfico de red es benigno. Esa es la razn por la que los autores escribieron este manuscrito. . Proponemos un enfoque sensible a los costes para mejorar el rendimiento de la deteccin de trfico HTTP con datos desequilibrados y tambin presentamos un enfoque de extraccin de caractersticas abstractas a nivel de caracteres que, adems, puede proporcionar caractersticas con lmites de decisin claros. Finalmente, diseamos un sistema de deteccin de trfico HTTP basado en estos dos enfoques. . Los mtodos propuestos en este artculo funcionan bien en conjuntos de datos desequilibrados. En comparacin con otros mtodos, los resultados de los experimentos indican que nuestro sistema tiene una puntuacin F1 de alta precisin. . Para la deteccin de trfico HTTP desequilibrado, confirmamos que el mtodo de extraccin de caractersticas y la funcin de costes son muy eficaces. En el futuro, podemos centrarnos en cmo utilizar la funcin de coste para mejorar an ms el rendimiento de la deteccin.

• 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 de tráfico de ataque; Conjuntos de datos desequilibrados; Tecnología de aprendizaje profundo; Tráfico de red malicioso; Enfoque sensible a los costes; Detección de tráfico HTTP.
• Keywords:Detect attack traffic; Imbalance datasets; Deep learning technology; Malicious network traffic; Cost-sensitive approach; HTTP traffic detection.