Comparación de algoritmos de redes neuronales para mejorar la detección de intrusos en redes de área local

• Autor: Guevara Palomino, Nilton
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/9128
• Enlace del recurso: https://hdl.handle.net/20.500.12802/9128
• Nivel de acceso: acceso abierto
• Materia: Algoritmos; Anomalías; IDS; Redes Neuronales; Inteligencia artificial; Ataques; Seguridad informática; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta presente investigación sobre sistemas de detección de intrusos usando algoritmos de inteligencia artificial, el cual representan hoy en día un factor muy importante que abarca en la seguridad informática, teniendo como objetivo principal la detección de actividades que no han sido autorizadas, por lo que se debe de realizar la identificación de los ataques realizados a los sistemas de flujo de datos en una red. En esta tesis se describe y propone el estudio de tres redes neuronales: RNA FeedForward y Elman usando algoritmo de aprendizaje Backpropagation y la Red Neuronal Recurrente (RNN) usando algoritmo RTLR, con el fin de realizar una comparación en la detección de intrusos y obtener cuál de ellas es la mejor en el monitoreo de una red de datos, donde se captura los paquetes que circulan hacia el protocolo HTTP (Hipertexto Transfer Protocol). El sistema fue diseñado y simulado mediante las herramientas del toolbox de MATLAB permitiendo a la red neuronal demostrar el alto rendimiento y desempeño en la detección de intrusos mostrando al usuario información relevante en los ataques detectados. Los resultados finales de la investigación fueron que el tipo de red neuronal recurrente mostró superioridad a las demás redes en velocidad, convergencia y efectividad, alcanzando más del 90% en porcentaje de clasificación correcta en un tiempo de 60 épocas.