Clasificación de ataques a una red de telecomunicación con deep learning

Abstract

Los sistemas de seguridad de la información en las organizaciones requieren de mecanismos de protección complejos para evitar poner en compromiso sus datos. El hecho de que en la actualidad tanto usuarios internos como externos a la red corporativa de la empresa puedan conectarse de forma local o remota aumenta las posibilidades de recibir un ataque. Para defender a la organización de este tipo de accesos se han desarrollado (entre otros) los sistemas de detección de intrusos (IDS) que identifican tráfico malicioso en la red, y los sistemas de prevención de intrusos (IPS), que una vez han detectado y aprendido el ataque, lo bloquean e incluso pueden contrarrestarlo. El objetivo del presente Trabajo Fin de Máster es el diseño y posterior evaluación de un prototipo de clasificador susceptible de ser implementado como sistema de detección de intrusos en redes (NIDS) utilizando un autocodificador variacional, técnica de aprendizaje profundo empleada en estudios recientes sobre el tema. Concretamente, se procederá a la evaluación del desempeño del autocodificador variacional como clasificador binario y multiclase a través de la comparativa con otros algoritmos de aprendizaje máquina.

Information security systems in organizations require complex protection mechanisms to avoid compromising their data. The fact that nowadays both internal and external users to the company's corporate network can connect locally or remotely increases the chances of receiving an attack. To defend the organization from this type of access, intrusion detection systems (IDS) have been developed (among others), which identify malicious traffic on the network, and intrusion prevention systems (IPS), which, once they have detected and learned the attack, block it and can even counter it. The objective of this Master Thesis is the design and subsequent evaluation of a prototype classifier that can be implemented as a network intrusion detection system (NIDS) using a variational autoencoder, a deep learning technique used in recent studies on the subject. Specifically, the performance of the variational autoencoder as a binary and multiclass classifier will be evaluated by comparing it with other machine learning algorithms.