Modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red

En la detección de intrusos en el tráfico de red pueden distinguirse dos estrategias: la detección por mal uso y la detección por anomalías. En la primera, se parte de patrones conocidos que representan el comportamiento malicioso y posteriormente se identifica a los mismos en el tráfico de red. Mie...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Eguren, Santiago, Catania, Carlos, Guerra, Jorge
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2019
Materias:
Ciencias Informáticas
seguridad de redes
detección de anomalías
aprendizaje automático
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/77280
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-77280
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
seguridad de redes
detección de anomalías
aprendizaje automático
spellingShingle Ciencias Informáticas
seguridad de redes
detección de anomalías
aprendizaje automático
Eguren, Santiago
Catania, Carlos
Guerra, Jorge
Modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red
topic_facet Ciencias Informáticas
seguridad de redes
detección de anomalías
aprendizaje automático
description En la detección de intrusos en el tráfico de red pueden distinguirse dos estrategias: la detección por mal uso y la detección por anomalías. En la primera, se parte de patrones conocidos que representan el comportamiento malicioso y posteriormente se identifica a los mismos en el tráfico de red. Mientras que en la segunda, se modela el tráfico normal y luego se asume que toda instancia de tráfico que no se adapte al modelo se trata de un comportamiento malicioso. Uno de los mayores inconvenientes de la detección por mal uso es no es capaz de reconocer tipos de ataques que no se encuentran en el conjunto de patrones de ataque previamente conocidos. Por su parte la ventaja de la detección de anomalías es que son capaces de detectar nuevos ataques, sin embargo puede en muchos casos clasificar como maliciosas a instancias de tráfico normal. El presente proyecto se centra en la generación de modelos probabilísticos para la detección de anomalías en el tráfico de red. En particular, se propone analizar la utilización de un enfoque de aprendizaje de máquinas basado en redes neuronales profundas, las cuales han demostrado una gran eficacia en la detección de patrones en diversas áreas.
format Objeto de conferencia
Objeto de conferencia
author Eguren, Santiago
Catania, Carlos
Guerra, Jorge
author_facet Eguren, Santiago
Catania, Carlos
Guerra, Jorge
author_sort Eguren, Santiago
title Modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red
title_short Modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red
title_full Modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red
title_fullStr Modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red
title_full_unstemmed Modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red
title_sort modelado probabilístico basado en aprendizaje profundo para la detección de anomalías en el tráfico de red
publishDate 2019
url http://sedici.unlp.edu.ar/handle/10915/77280
work_keys_str_mv AT egurensantiago modeladoprobabilisticobasadoenaprendizajeprofundoparaladetecciondeanomaliaseneltraficodered
AT cataniacarlos modeladoprobabilisticobasadoenaprendizajeprofundoparaladetecciondeanomaliaseneltraficodered
AT guerrajorge modeladoprobabilisticobasadoenaprendizajeprofundoparaladetecciondeanomaliaseneltraficodered
bdutipo_str Repositorios
_version_ 1764820486455296002

Ejemplares similares