STS-AT: Un marco estructurado de entrenamiento adversarial de flujo tensorial para una detección de intrusiones...

Área de la Ciencia:

• Ciencias de la Computación
• Ciberseguridad
• Inteligencia Artificial

Sus antecedentes:

• La detección de intrusiones en redes es crucial para la ciberseguridad.
• Los métodos actuales sufren de ingeniería manual de características y vulnerabilidad a ataques adversariales.
• Los modelos de aprendizaje profundo a menudo pierden información discriminatoria y son susceptibles a amenazas sofisticadas.

Objetivo del estudio:

• Proponer STS-AT, un novedoso método de detección de intrusiones en redes.
• Abordar las limitaciones de la ingeniería manual de características y las vulnerabilidades adversariales en los sistemas actuales.
• Mejorar la precisión, la robustez y la eficiencia de la detección de intrusiones en redes.

Principales métodos:

• Codificación de tensores estructurados para convertir el tráfico sin procesar en representaciones numéricas.
• Un modelo jerárquico de aprendizaje profundo que combina CNN y LSTM para el aprendizaje de características espacio-temporales.
• Entrenamiento adversarial multiestrategia para mejorar la robustez del modelo contra ataques.

Principales resultados:

• Logró una precisión del 99,6% en la clasificación del tráfico normal en el conjunto de datos CICIDS2017.
• Superó significativamente al Random Forest (93,1%) y a la Support Vector Machine (84,7%).
• La precisión de la defensa contra ataques adversariales aumentó a más del 96,8%, en comparación con el 24,4% de los modelos no defendidos, con una reducción del 67,6% en el tiempo de entrenamiento.

Conclusiones:

• La codificación de tensores estructurados preserva eficazmente la información del tráfico original.
• El modelo jerárquico permite un aprendizaje integral de características.
• El entrenamiento adversarial multiestrategia mejora la eficiencia y garantiza una defensa robusta contra las amenazas cibernéticas.