Mejora de la detección del tráfico de red mediante aumento por interpolación y aprendizaje contrastivo

Área de la Ciencia:

• Ciencias de la Computación
• Ciberseguridad
• Aprendizaje Automático

Sus antecedentes:

• Los métodos tradicionales de detección de tráfico de red carecen de contexto global, lo que dificulta la detección de ataques coordinados multiflujo.
• Los datos de tráfico de red del mundo real presentan un desequilibrio significativo, lo que perjudica el rendimiento del modelo.
• Los métodos existentes tienen dificultades para detectar amenazas cibernéticas sofisticadas y coordinadas.

Objetivo del estudio:

• Proponer un nuevo método de detección de tráfico de red (TICL) que supere las limitaciones de los enfoques tradicionales.
• Mejorar el rendimiento de la detección contra ataques coordinados multiflujo.
• Abordar los problemas de desequilibrio de datos en el análisis del tráfico de red.

Principales métodos:

• Se utilizaron técnicas de interpolación de datos para generar muestras negativas, mitigando el desequilibrio de datos.
• Se empleó el aprendizaje contrastivo para capturar las distinciones entre muestras positivas y negativas.
• Se desarrolló un marco de aprendizaje por interpolación y contraste de tráfico (TICL).

Principales resultados:

• TICL mitigó eficazmente los problemas de desequilibrio de datos en los conjuntos de datos de tráfico de red.
• El aprendizaje contrastivo mejoró la generalización del modelo y aumentó la precisión de la detección.
• Los resultados experimentales mostraron que TICL superó significativamente los métodos de detección de intrusos existentes en conjuntos de datos a gran escala.

Conclusiones:

• El método TICL propuesto ofrece una solución robusta para la detección del tráfico de red.
• TICL demuestra un gran potencial para aplicaciones prácticas en ciberseguridad.
• Este enfoque mejora la capacidad de detectar ciberataques complejos y coordinados.