Evaluación de máquinas de soporte vectorial y red neuronal artificial para determinar la eficiencia en la detección de intrusos de una red informática

• Autor: Santisteban Ayasta, Leonardo Euler
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/8293
• Enlace del recurso: https://hdl.handle.net/20.500.12802/8293
• Nivel de acceso: acceso abierto
• Materia: Perceptrón Multicapa; Detección; Evaluación; Algoritmos; Maquinas de soporte Vectorial; https://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación evaluará los algoritmos Perceptrón Multicapa y Máquinas de Soporte Vectorial, el objetivo de la investigación es evaluar la eficiencia de las técnicas en la detección de intrusos. Muchas empresas según los reportes de antivirus sufren de ataque diariamente ocasionando, pérdidas millonarias en las pequeñas y medianas empresas, pues a pesar de contar con mecanismos de seguridad, Firewall, antivirus, Sistemas de detección de intrusos (IDS) no son suficiente, pues uno de los problemas que enfrentan, es como reducir la tasa de falsas alarmas y reducir la tasa de falsos positivos es por ello el motivo de esta investigación, el cual consta de 4 fases. La fase inicial de esta investigación se origina con la preparación del conjunto de datos, se extrajo patrones de ataques, elaborando primero un estudio de los últimos ciberataques a Nivel de Latinoamérica y del mundo, los patrones recolectados son: Denegación de Servicio Distribuido (DDOS), Phishing, Backdoor, y de las diferentes familias de Ransomware, formando así un nuevo conjunto de datos denominado Dataset_Attack_20018. En la fase de selección de técnicas de aprendizaje automático, se evaluaron la eficiencia de los algoritmos, para lograr este objetivo se realizó un estudio comparativo de las técnicas, logrando obtener un top de las 6 mejores técnicas, el cual se realizó todo un proceso, siendo evaluados por las métricas de desempeño. La fase de implementación consistió en evaluar el top realizado de las 6 mejores técnicas y elegir las técnicas Perceptrón Multicapa y Máquinas de Soporte Vectorial para que sean evaluadas por el conjunto de datos mencionados líneas arriba. En la última fase de evaluación, las técnicas Perceptrón Multicapa y Máquinas de Soporte Vectorial, se empleó la matriz de confusión para evaluar con las métricas de desempeño, llegándose a la conclusión que el Perceptrón Multicapa en esta investigación fue el más eficiente tanto en exactitud del 99%, precisión del 98 % sensibilidad del 67%, y especificidad del 98%. La herramienta utilizada para la implementación es la librería scikit-learn 0.19.2.