Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia

Descripción del Articulo

Este estudio explora la aplicación de aprendizaje por transferencia en redes neuronales convolucionales (CNN) para la identificación de nuevos ataques en la detección de intrusos en redes. Dado que los enfoques basados en aprendizaje profundo, como las CNN, están en constante desarrollo para detecta...

Descripción completa

Detalles Bibliográficos
Autor: Concha Ramos, Yesenia
Formato: tesis de maestría
Fecha de Publicación:2024
Institución:Universidad Nacional de San Antonio Abad del Cusco
Repositorio:UNSAAC-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.unsaac.edu.pe:20.500.12918/9978
Enlace del recurso:http://hdl.handle.net/20.500.12918/9978
Nivel de acceso:acceso embargado
Materia:Aprendizaje profundo
Deteccion de intrusos en la red
Redes neuronales
Convolucionales
http://purl.org/pe-repo/ocde/ford#1.02.02
id RUNS_3c8ee255e30b2aa206aec7da6d660c81
oai_identifier_str oai:repositorio.unsaac.edu.pe:20.500.12918/9978
network_acronym_str RUNS
network_name_str UNSAAC-Institucional
repository_id_str 4815
spelling Villafuerte Serna, RonyConcha Ramos, Yesenia2024-12-06T20:31:39Z2024-12-06T20:31:39Z2024253T20241264http://hdl.handle.net/20.500.12918/9978Este estudio explora la aplicación de aprendizaje por transferencia en redes neuronales convolucionales (CNN) para la identificación de nuevos ataques en la detección de intrusos en redes. Dado que los enfoques basados en aprendizaje profundo, como las CNN, están en constante desarrollo para detectar y clasificar ataques cibernéticos en redes y sistemas de host de manera automática, surge la necesidad de investigar soluciones que se adapten a la evolución continua de las amenazas. El propósito principal de este estudio es analizar el rendimiento de los modelos CNN en la detección de ataques en redes y explorar la viabilidad del aprendizaje por transferencia para mejorar la identificación de ataques emergentes y abordar los problemas asociados con el reentrenamiento de modelos. Utilizando el conjunto de datos UNSW-NB15, se entrenaron y compararon modelos CNN y modelos basados en aprendizaje por transferencia. Los resultados muestran que el modelo de aprendizaje por transferencia logró una precisión del 85.22% y una mejor tasa de detección de ataques en comparación con el modelo CNN entrenado desde cero. Este hallazgo subraya que el modelo TL ofrece una mejora en la detección de intrusos, sino que también tiene una mayor capacidad para identificar ataques nuevos de manera más efectiva. En conclusión, el estudio demuestra que el aprendizaje por transferencia puede mejorar la capacidad de los modelos CNN para detectar y clasificar ataques cibernéticos, proporcionando una solución más eficiente y adaptable frente a la continua evolución de las amenazas en redes.application/pdfspaUniversidad Nacional de San Antonio Abad del CuscoPEinfo:eu-repo/semantics/embargoedAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Aprendizaje profundoDeteccion de intrusos en la redRedes neuronalesConvolucionaleshttp://purl.org/pe-repo/ocde/ford#1.02.02Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferenciainfo:eu-repo/semantics/masterThesisreponame:UNSAAC-Institucionalinstname:Universidad Nacional de San Antonio Abad del Cuscoinstacron:UNSAACSUNEDUMaestro en Ciencias mención InformáticaUniversidad Nacional de San Antonio Abad del Cusco. Escuela de PosgradoMaestría en Ciencias mención Informática40112839https://orcid.org/0000-0003-4607-522X23957778http://purl.org/pe-repo/renati/type#tesishttp://purl.org/pe-repo/renati/nivel#maestro611027Rozas Huacho, Javier ArturoMontoya Cubas, Carlos FernandoPalma Ttito, Luis BeltranVera Olivera, HarleyORIGINAL253T20241264.pdfapplication/pdf418111http://repositorio.unsaac.edu.pe/bitstream/20.500.12918/9978/1/253T20241264.pdfec8ec481ec951a582ff69ef1d0f3938bMD5120.500.12918/9978oai:repositorio.unsaac.edu.pe:20.500.12918/99782024-12-06 15:47:34.039DSpace de la UNSAACsoporte.repositorio@unsaac.edu.pe
dc.title.es_PE.fl_str_mv Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
title Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
spellingShingle Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
Concha Ramos, Yesenia
Aprendizaje profundo
Deteccion de intrusos en la red
Redes neuronales
Convolucionales
http://purl.org/pe-repo/ocde/ford#1.02.02
title_short Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
title_full Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
title_fullStr Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
title_full_unstemmed Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
title_sort Detección de intrusos en la red basado en red neuronal convolucional y aprendizaje por transferencia
author Concha Ramos, Yesenia
author_facet Concha Ramos, Yesenia
author_role author
dc.contributor.advisor.fl_str_mv Villafuerte Serna, Rony
dc.contributor.author.fl_str_mv Concha Ramos, Yesenia
dc.subject.es_PE.fl_str_mv Aprendizaje profundo
Deteccion de intrusos en la red
Redes neuronales
Convolucionales
topic Aprendizaje profundo
Deteccion de intrusos en la red
Redes neuronales
Convolucionales
http://purl.org/pe-repo/ocde/ford#1.02.02
dc.subject.ocde.none.fl_str_mv http://purl.org/pe-repo/ocde/ford#1.02.02
description Este estudio explora la aplicación de aprendizaje por transferencia en redes neuronales convolucionales (CNN) para la identificación de nuevos ataques en la detección de intrusos en redes. Dado que los enfoques basados en aprendizaje profundo, como las CNN, están en constante desarrollo para detectar y clasificar ataques cibernéticos en redes y sistemas de host de manera automática, surge la necesidad de investigar soluciones que se adapten a la evolución continua de las amenazas. El propósito principal de este estudio es analizar el rendimiento de los modelos CNN en la detección de ataques en redes y explorar la viabilidad del aprendizaje por transferencia para mejorar la identificación de ataques emergentes y abordar los problemas asociados con el reentrenamiento de modelos. Utilizando el conjunto de datos UNSW-NB15, se entrenaron y compararon modelos CNN y modelos basados en aprendizaje por transferencia. Los resultados muestran que el modelo de aprendizaje por transferencia logró una precisión del 85.22% y una mejor tasa de detección de ataques en comparación con el modelo CNN entrenado desde cero. Este hallazgo subraya que el modelo TL ofrece una mejora en la detección de intrusos, sino que también tiene una mayor capacidad para identificar ataques nuevos de manera más efectiva. En conclusión, el estudio demuestra que el aprendizaje por transferencia puede mejorar la capacidad de los modelos CNN para detectar y clasificar ataques cibernéticos, proporcionando una solución más eficiente y adaptable frente a la continua evolución de las amenazas en redes.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-12-06T20:31:39Z
dc.date.available.none.fl_str_mv 2024-12-06T20:31:39Z
dc.date.issued.fl_str_mv 2024
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.other.none.fl_str_mv 253T20241264
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12918/9978
identifier_str_mv 253T20241264
url http://hdl.handle.net/20.500.12918/9978
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.en_US.fl_str_mv info:eu-repo/semantics/embargoedAccess
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv embargoedAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.en_US.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional de San Antonio Abad del Cusco
dc.publisher.country.none.fl_str_mv PE
dc.source.none.fl_str_mv reponame:UNSAAC-Institucional
instname:Universidad Nacional de San Antonio Abad del Cusco
instacron:UNSAAC
instname_str Universidad Nacional de San Antonio Abad del Cusco
instacron_str UNSAAC
institution UNSAAC
reponame_str UNSAAC-Institucional
collection UNSAAC-Institucional
bitstream.url.fl_str_mv http://repositorio.unsaac.edu.pe/bitstream/20.500.12918/9978/1/253T20241264.pdf
bitstream.checksum.fl_str_mv ec8ec481ec951a582ff69ef1d0f3938b
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv DSpace de la UNSAAC
repository.mail.fl_str_mv soporte.repositorio@unsaac.edu.pe
_version_ 1818982329472778240
score 13.919782
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).