Detección de anomalías de comportamiento de ciberseguridad mediante transformer alineado de secuencias cruzadas: un...

Área de la Ciencia:

• Ciberseguridad
• Seguridad de Red
• Inteligencia Artificial

Sus antecedentes:

• Los entornos de red de alta frecuencia presentan desafíos para la detección de anomalías debido a la asincronía temporal y la redundancia de datos en el tráfico y el comportamiento del usuario.
• Los modelos existentes luchan por identificar patrones de ataque dinámicos de manera efectiva en estos escenarios complejos.

Objetivo del estudio:

• Proponer y validar un novedoso modelo de aprendizaje profundo para mejorar la detección de anomalías de ciberseguridad en redes de interacción de alta frecuencia.
• Abordar las limitaciones de los métodos actuales en el manejo de la asincronía temporal y la redundancia de información.

Principales métodos:

• Desarrollo de un Modelo de Reconocimiento Dinámico impulsado por Transformer Alineado de Secuencias Cruzadas (CSAT-DRM).
• Empleo de un mecanismo de alineación de secuencias cruzadas para correlacionar datos de series temporales multifuente sin perder información temporal.
• Integración de una estructura residual sensible a la interacción y umbrales dinámicos para mejorar la discriminación de anomalías.

Principales resultados:

• CSAT-DRM logró métricas de alto rendimiento: 0.968 de precisión, 0.957 de precisión, 0.953 de recuperación y 0.955 de puntuación F1.
• El modelo superó significativamente a los métodos de referencia como LSTM, CNN, Transformer y CNN-BiLSTM.
• Demostró eficacia en la detección de anomalías tanto intermitentes como persistentes con alta estabilidad.

Conclusiones:

• La modelización explícita de la asincronía temporal y la realización de modelización colaborativa en una escala temporal unificada mejoran la precisión y la estabilidad de la detección de anomalías.
• El CSAT-DRM ofrece una vía técnica factible y generalizable para la identificación de amenazas en tiempo real en entornos de red complejos.