Aprovechar el análisis de datos para revolucionar la ciberseguridad con el aprendizaje automático y el aprendizaje...

Área de la Ciencia:

• Seguridad cibernética
• Aprendizaje automático
• Ciencia de los datos

Sus antecedentes:

• El crecimiento de las tecnologías digitales conduce a ataques cibernéticos complejos.
• Las medidas robustas de ciberseguridad son esenciales.
• Los métodos tradicionales requieren mejoras.

Objetivo del estudio:

• Explorar las redes neuronales convolucionales (CNN) para el análisis de datos de seguridad cibernética.
• Evaluar las CNN para una detección y clasificación de amenazas precisas y eficientes.
• Investigar la integración del aprendizaje profundo en la seguridad cibernética.

Principales métodos:

• Utilizó las Redes Neurales Convolucionales (CNN) como la técnica principal.
• Diseñó una arquitectura de CNN con capas convolucionales y de puesta en común.
• Datos sintéticos generados que representan incidentes de seguridad cibernética.

Principales resultados:

• Las CNN demostraron una precisión significativa en la identificación y categorización de las amenazas cibernéticas.
• El modelo efectivamente capturó patrones intrincados dentro de los datos de seguridad cibernética.
• Las CNN son prometedoras para mejorar las defensas de seguridad cibernética.

Conclusiones:

• Las técnicas de aprendizaje profundo, específicamente las CNN, pueden complementar la seguridad cibernética tradicional.
• El análisis de datos basado en CNN proporciona una base para la detección proactiva de amenazas.
• El trabajo futuro debe incluir datos del mundo real para su validación.