Please use this identifier to cite or link to this item:
http://repositorio.yachaytech.edu.ec/handle/123456789/66| Title: | Intrusion Detection in Web Systems Using Deep Learning Techniques |
| Authors: | Chang Tortolero, Oscar Guillermo Hidalgo Espinoza, Sergio Hernán |
| Keywords: | Artificial Neural Networks Intrusion detection Hacking attacks Deep Learning Cybersecurity. Redes Neuronales Artificiales Detección de intrusiones Ataques de hacking Deep Learning Ciberseguridad. |
| Issue Date: | Aug-2019 |
| Publisher: | Universidad de Investigación de Tecnología Experimental Yachay |
| Abstract: | La detección de intrusiones en redes de computadoras es un tema estrechamente relacionado con ataques informáticos, convirtiéndose en uno de los asuntos más importantes a tomar en cuenta en ciberseguridad, ya que los atacantes se mantienen siempre investigando para descubrir nuevas vulnerabilidades para romper los sistemas de seguridad informática, por lo tanto dichos sistemas tienen que ser actualizados día a día utilizando las herramientas y técnicas más poderosas para realizar el trabajo de evitar daños por parte de los hackers de la manera más óptima. Partiendo de esta premisa, este trabajo de investigación se enfoca en el diseño e implementación de un sistema de detección de intrusiones basado en arquitecturas Deep Learning. Como punto de partida, una red no profunda (de tres capas) es entrenada con datos de entradas [a una red de computadoras] etiquetados, tomados de la base de datos CICIDS2017. El comportamiento interno de esta red es cuidadosamente observado y calibrado usando gráficos y explorando rutinas hasta alcanzar un pico funcional en la precisión de detección de intrusiones. Como segundo paso, un autoencoder, entrenado con una gran cantidad de datos no etiquetados, es usado como un procesador intermedio el cual suple de información comprimida y representaciones abstractas a la red no profunda original. Se prueba que esta arquitectura profunda tiene un mejor rendimiento que cualquier versión de la red no profunda en solitario. Las rutinas funcionales de código resultantes, escritas en MATLAB, representan un sistema re-entrenable que puede ser probado en tiempo real produciendo una gran precisión y respuestas inmediatas. |
| Description: | ntrusion detection into computer networks is a topic tightly related to hacking attacks, becoming one of the most important issues to take account in cybersecurity since attackers remain always researching to discover new vulnerabilities to break the information security systems, thus these systems must be updated daily using the most powerful tools and techniques to perform the work of avoiding damages from hackers in an optimal way. Starting with this premise, this research focuses on the design and implementation of an intrusion detection system based on Deep Learning architectures. As a starting point, a shallow (three layers) network is trained with labelled log-in [into a computer network] data taken from the Dataset CICIDS2017. The internal behavior of this network is carefully tracked and tuned by using plotting and exploring routines until it reaches a functional peak in intrusion prediction accuracy. As a second step, an autoencoder, trained with big unlabeled data, is used as a middle processor which feeds compressed information and abstract representation to the original shallow net. It is proven that this resultant deep architecture has a better performance than any version of the shallow net alone. The resultant functional code routines, written in MATLAB, represents a re-trainable system which has been proved in real time producing good precision and fast response. |
| URI: | http://repositorio.yachaytech.edu.ec/handle/123456789/66 |
| Appears in Collections: | Tecnologías de la Información |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ECMC0004.pdf | 1.83 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.